uma abordagem para otimizaÇÃo do perÍodo de...
TRANSCRIPT
UNIVERSIDADE FEDERAL DO PARÁ
INSTITUTO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
PETERSON MARCELO SANTOS YOSHIOKA
UMA ABORDAGEM PARA OTIMIZAÇÃO DO PERÍODO DE SENSORIAMENTO EM RÁDIO COGNITIVO COM ALGORITMO
GENÉTICO MULTIOBJETIVO.
Dissertação de Mestrado apresentada como requisito parcial para a obtenção do título de Mestre em Engenharia Elétrica ao Programa de Pós-Graduação em Engenharia Elétrica, da Universidade Federal do Pará, orientado pelo Prof. Dr. Carlos Tavares da Costa Junior.
BELÉM 2011
UMA ABORDAGEM PARA OTIMIZAÇÃO DO PERÍODO DE SENSORI AMENTO EM RÁDIO COGNITIVO COM ALGORITMO GENÉTICO MULTIOBJE TIVO. Esta Dissertação foi julgada em ___/____/______ adequada para obtenção do título de Mestre em Engenharia Elétrica, aprovada em sua forma final pela banca examinadora que atribuiu o conceito ________________.
___________________________________________ Prof. Dr. Carlos Tavares da Costa Junior (Orientador)
Universidade Federal do Pará
___________________________________________ Prof. Dr. Kelvin Lopes Dias (Membro) Universidade Federal de Pernambuco
___________________________________________
Prof. José Augusto Furtado Real (Membro) Instituto de Estudos Superiores da Amazônia
___________________________________________
Prof. Dr. Ádamo Lima de Santana (Membro) Universidade Federal do Pará
___________________________________________ Profa. Dra. Adriana Rosa Garcez Castro
Universidade Federal do Pará Visto:
___________________________________________ Prof. Dr. Marcus Vinicius Nunes
Coordenador do Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Pará
BELÉM
2011
Ao meu pai, Jorge Yoshioka, mãe, Raimunda Yoshioka e
namorada Andrea Gonçalves.
AGRADECIMENTOS
Primeiramente a Deus, por permitir a conclusão mais essa etapa de minha
vida e por ter me dados forças para me superar todos os dias.
Agradeço ao meu pai, maior exemplo de esforço e sabedoria que eu tenho.
Agradeço a minha mãe pelo exemplo de caráter e força. Minha namorada Andrea
pelo companheirismo e carinho. Minha tia Socorro e toda a minha família pelo apoio
e amor incondicional.
Ao professor Kelvin Lopes Dias por acreditar em mim e me apoiar do começo
ao fim do mestrado.
Ao professor Carlos Tavares pelo apoio.
Ao Andson pelo grande apoio no trabalho e pela grande amizade.
Aos amigos do laboratório, Jailton, Társsio, Edbruno (vulgo “te odeio”), Diego
e Tiago pela amizade.
Aos amigos do EETEPA Marcos, Fernando, Allan, Pedro, Marciane, Luis pela
amizade.
E a todos que contribuíram para a realização deste trabalho de forma direta
ou indireta.
A nossa maior glória não reside no fato de nunca cairmos, mas sim em levantarmo-nos
sempre depois de cada queda. (Confúcio)
RESUMO
A eficiência espectral em redes baseadas na tecnologia de Rádio Cognitivo (RC) pode ser comprometida caso o rádio seja utilizado por muito tempo para a detecção em vez da transmissão de dados. Por isso, tornam-se necessários esquemas de sensoriamento que tenham o objetivo de obter o máximo possível de utilização do espectro, evitando sensoriamento desnecessário, bem como, obtendo o mínimo de interferência na transmissão do usuário primário decorrente de detecção incorreta de sua transmissão. Neste trabalho, propomos a utilização de Algoritmos Genéticos para realizar a adaptação do período de sensoriamento. O objetivo é obter um período de sensoriamento ótimo para os canais com vistas a maximizar a descoberta de oportunidades no espectro e minimizar o overhead decorrente do sensoriamento. A maioria dos trabalhos relacionados a este assunto considera que o overhead de sensoriamento é fixo, não levando em conta que alguns canais podem ter menor tolerância à interferência que outros. A proposta apresentada neste trabalho pode adaptar-se aos requisitos de tolerância à interferência no canal licenciado por meio da determinação de um período de sensoriamento que otimize as oportunidades para qualquer valor de overhead definido. Nossa proposta consegue obter um ganho de até 90% em relação às técnicas não otimizadas no número de oportunidades encontradas, até 40,9% no ganho de transmissão útil e obteve uma redução no tempo de interferência de 66,83%, bem como resultados similares aos obtidos por uma proposta otimizada presente na literatura, com a vantagem de permitir a adaptação do overhead de sensoriamento.
PALAVRAS-CHAVE: Rádio Cognitivo, Algoritmo Genético, Sensoriament o.
ABSTRACT
The spectral efficiency in networks based on cognitive radio (CR) technology can be compromised if the radio is used for a long time for the detection instead of data transmission. So it becomes necessary sensing schemes that have the purpose of obtaining the maximum possible use of spectrum, avoiding unnecessary sensing, as well as obtaining a minimum of interference in the transmission of the primary user due to incorrect detection of its transmission. In this paper, we propose the use of genetic algorithms for the adaptation of the sensing period. The goal is to obtain an optimal channels sensing period in order to maximize the discovery of spectrum opportunities and minimize the overhead due to the sensing. Most related works to this issue adopt fixed sensing overhead, not taking into account that some channels may have less tolerance to interference than others. The proposal presented in this work can adapt to the requirements of tolerance to interference with licensed channel by determining a period of sensing that optimizes the opportunities for any set amount of overhead. Our proposal achieves a gain up to 90% compared to non-optimized techniques in terms of the number of opportunities found up to 40.9% gain in useful transmission and obtained a reduction in the time of interference of 66.83%. In addition, our proposal also achieves similar results to those obtained by an optimized proposal in the literature, with the advantage of allowing the adaptation of the sensing overhead.
KEY-WORDS: Cognitive Radio, Genetic Algorithms, Spectrum Sensi ng.
LISTA DE TABELAS
Tabela 1 - Métodos de sensoriamento ...................................................................... 40
Tabela 2 - Sensoriamento com uma e duas antenas ................................................ 47
Tabela 3 – Parâmetros testados de pc e pm. ............................................................ 64
Tabela 4 – Casos de Teste ....................................................................................... 65
Tabela 5 – Parâmetros adotados no AG ................................................................... 69
Tabela 6 – Quantidade de canais em cada instância ................................................ 74
Tabela 7 – Médias utilizadas para gerar canais ........................................................ 74
Tabela 8 – Sumário das abordagens ........................................................................ 75
Tabela 9 – Características da abordagem proposta .................................................. 75
Tabela 10 – Intervalos de confiança dos períodos de sensoriamento resultantes
para 3 canais ............................................................................................................. 79
Tabela 11 – Intervalos de confiança dos períodos de sensoriamento resultantes para
6 canais ..................................................................................................................... 80
Tabela 12 – Intervalos de confiança dos períodos de sensoriamento resultantes para
9 canais ..................................................................................................................... 80
Tabela 13 – Intervalos de confiança do número de oportunidades encontradas para
3 canais ..................................................................................................................... 85
Tabela 14 – Intervalos de confiança do número de oportunidades encontradas para
6 canais ..................................................................................................................... 86
Tabela 15 – Intervalos de confiança do número de oportunidades encontradas para
9 canais ..................................................................................................................... 87
Tabela 16 – Intervalos de confiança dos overheads de sensoriamento gerados para
3 canais ..................................................................................................................... 89
Tabela 17 – Intervalos de confiança dos overheads de sensoriamento gerados para
6 canais ..................................................................................................................... 89
Tabela 18 – Intervalos de confiança dos overheads de sensoriamento gerados para
9 canais ..................................................................................................................... 90
Tabela 19 – Intervalos de confiança do tempo de interferência para 3 canais .......... 93
Tabela 20 – Intervalos de confiança do tempo de interferência para 6 canais .......... 93
Tabela 21 – Intervalos de confiança do tempo de interferência para 9 canais .......... 94
Tabela 22 – Intervalos de confiança do tempo de transmissão útil para 3 canais..... 96
Tabela 23 – Intervalos de confiança do tempo de transmissão útil para 6 canais..... 97
Tabela 24 – Intervalos de confiança do tempo de transmissão útil para 9 canais..... 98
LISTA DE ILUSTRAÇÕES
Figura 1: Lacuna no espectro . .................................................................................. 19
Figura 2: Ciclo Cognitivo . ......................................................................................... 20
Figura 3: Arquitetura de uma Rede de Rádio Cognitivo . .......................................... 23
Figura 4: Rede secundária na banda licenciada . ..................................................... 24
Figura 5: Rede secundária sobre banda não licenciada . ......................................... 25
Figura 6: Vários elementos do sensoriamento de espectro. ..................................... 29
Figura 7: Oportunidades no domínio da frequência e do tempo ............................... 30
Figura 8: Oportunidades no domínio do espaço . ...................................................... 31
Figura 9: Oportunidade na dimensão código ............................................................ 32
Figura 10: Oportunidade na dimensão ângulo . ........................................................ 32
Figura 11: Principais métodos de sensoriamento ...................................................... 39
Figura 12: Problema da incerteza do receptor . ........................................................ 41
Figura 13: Problema do sombreamento . .................................................................. 42
Figura 14: Modelo de temperatura de interferência .................................................. 43
Figura 15: Período de sensoriamento muito pequeno ............................................... 44
Figura 16: Período de sensoriamento muito grande ................................................. 45
Figura 17: (a) Período sensoriamento pequeno para o canal. (b) Mesmo período de
sensoriamento, porém grande para outro canal. ....................................................... 45
Figura 18: Problema do terminal escondido em RC . ................................................ 48
Figura 19: Modelo do canal ON/OFF ........................................................................ 55
Figura 20: Estrutura da proposta deste trabalho. ...................................................... 57
Figura 21: Indivíduo de um AG .................................................................................. 58
Figura 22: Média do intervalo de confiança da média dos fitness. ............................ 67
Figura 23: Fluxograma da utilização do AG .............................................................. 68
Figura 24: Primeiro caso de Interferência. ................................................................ 71
Figura 25: Segundo caso de interferência. ................................................................ 72
Figura 26: Tempo de transmissão ............................................................................. 73
Figura 27: Fitness de AG10, AG20 e AG40 3 canais. ............................................... 77
Figura 28: Fitness de AG10, AG20 e AG40 para 6 canais. ...................................... 77
Figura 29: Fitness de AG10, AG20 e AG40 para 9 canais. ...................................... 78
Figura 30: Evolução do período de sensoriamento. .................................................. 79
Figura 31: Evolução do overhead de sensoriamento ................................................ 81
Figura 32: Evolução das oportunidades encontradas no canal 1 .............................. 82
Figura 33: Tempo de Interferência para 3 abordagens ............................................. 83
Figura 34: Tempo de transmissão útil para 3 abordagens ........................................ 84
Figura 35: Média do número de oportunidades descobertas .................................... 84
Figura 36: Média do Overhead de Sensoriamento .................................................... 88
Figura 37: Média do tempo de interferência .............................................................. 92
Figura 38: Tempo de transmissão útil para todos os métodos .................................. 96
LISTA DE ABREVIATURAS
FCC Federal Communications Commission
Anatel Agência Nacional de Telecomunicações
PHY Physical Layer
RRC Redes de Rádios Cognitivos
SDR Software Defined Radio
SNR Razão Sinal-Ruído
UP Usuário Primário
US Usuário Secundário
AG Algoritmo Genético
MAC Media Access Control
SUMÁRIO
1 INTRODUÇÃO ....................................................................................................... 15
2 RÁDIO COGNITIVO ............................................................................................... 18
2.1 CAPACIDADE COGNITIVA ............................................................................. 19
2.2 RECONFIGURABILIDADE .............................................................................. 20
2.3 ARQUITETURA DE REDES RÁDIO COGNITIVO ........................................... 21
2.4 FUNÇÕES DAS REDES SECUNDÁRIAS ....................................................... 23
2.5 REDES SECUNDÁRIA SOBRE FAIXA DE ESPECTRO NÃO LICENCIADA .. 25
2.6 APLICAÇÕES PARA TECNOLOGIA RÁDIO COGNITIVO .............................. 26
3 SENSORIAMENTO DE ESPECTRO ..................................................................... 28
3.1 ESPECTRO MULTIDIMENSIONAL ................................................................. 29
3.2 MÉTODOS DE SENSORIAMENTO ................................................................. 33
3.2.1 Sensoriamento baseado em detecção de energia ........................................ 33
3.2.2 Sensoriamento baseado em forma de onda .............................................. 35
3.2.3 Sensoriamento ciclo-estacionário .............................................................. 36
3.2.4 Sensoriamento baseado na identificação de rádio .................................... 37
3.2.5 Filtro casado .............................................................................................. 38
3.3 COMPARAÇÃO DOS MÉTODOS DE SENSORIAMENTO ............................. 38
3.4 SENSORIAMENTO COOPERATIVO .............................................................. 41
3.5 DETECÇÃO BASEADA EM INTERFERÊNCIA ............................................... 43
3.6 DESAFIOS DO SENSORIAMENTO DE ESPECTRO ...................................... 44
3.6.1 Sensoriamento na camada MAC ............................................................... 44
3.6.2 Exigências de Hardware ............................................................................ 47
3.6.3 Problema do terminal escondido ............................................................... 48
3.6.4 Detecção de Espalhamento Espectral de Usuários Primários ................... 49
4 OTIMIZAÇÃO DO PERÍODO DE SENSORIAMENTO EM RÁDIO COGNITIVO ... 50
4.1 CONSIDERAÇÕES GERAIS E ESTADO DA ARTE ........................................ 50
4.2 MODELO DO CANAL ...................................................................................... 54
4.3 ABORDAGEM PROPOSTA ............................................................................. 56
4.4 ALGORITMO GENÉTICO ................................................................................ 57
4.5 METODOLOGIA DE DEFINIÇÃO E APRESENTAÇÃO DE RESULTADOS ... 61
4.6 OPERADORES GENÉTICOS .......................................................................... 62
4.7 FLUXO DA PROPOSTA E PARÂMETROS ADOTADOS ................................ 67
5 AVALIAÇÃO PROPOSTA ...................................................................................... 70
5.1 MÉTRICAS ADOTADAS .................................................................................. 70
5.2 CENÁRIOS DA SIMULAÇÃO .......................................................................... 74
5.3 RESULTADOS ................................................................................................. 76
5.3.1 Avaliação intra-proposta ........................................................................... 76
5.3.2 Avaliação inter-propostas .......................................................................... 84
6 CONSIDERAÇÕES FINAIS ................................................................................. 100
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 102
15
1 INTRODUÇÃO
Atualmente, tanto no Brasil quanto em outros países, a política de alocação
espectral é estática, ou seja, uma vez alocado em uma faixa de espectro, o usuário
não pode mudar de faixa ou utilizar outro tipo de serviço na mesma. Nos Estados
Unidos a divisão e alocação do espectro é realizada pela Federal Communications
Commission (FCC). No Brasil, o responsável pelo gerenciamento espectral é a
Agência Nacional de Telecomunicações (Anatel). Contudo, existem pesquisas que
comprovam que, apesar do crescente aumento do número de dispositivos e serviços
sem fio, a política atual não tem proporcionado utilização eficiente do espectro
(YANG, 2007). Embora o espectro seja um recurso natural escasso, ele tem sido
subutilizado. Essa subutilização varia de acordo com fatores como faixa do espectro,
período de tempo e localização geográfica.
Para resolver os problemas decorrentes da política de alocação estática do
espectro, diversas soluções foram propostas. Uma delas é o Rádio Cognitivo (RC),
uma tecnologia que provê acesso dinâmico ao espectro (DSA – Dynamic Spectrum
Access), fornecendo a capacidade de compartilhar os canais licenciados com os
usuários não-licenciados de forma oportunista (KIM, 2008). Em redes baseadas na
tecnologia de Rádio Cognitivo (RRC), o usuário primário (UP) ou licenciado tem alta
prioridade ou direitos legais para utilizar uma faixa específica do espectro, isto é, a
faixa licenciada. Por outro lado, o usuário secundário (US) tem baixa prioridade e
deve explorar o espectro sem causar interferência no UP quando estiver utilizando o
canal licenciado. Para viabilizar o acesso oportunista, o seguinte conjunto de
funções é adotado pelo RC: sensoriamento de espectro, decisão de espectro,
compartilhamento do espectro e mobilidade do espectro. Tais funções são
fundamentais para superar desafios como: determinar a porção de espectro
disponível, selecionar o melhor canal disponível, coordenar o acesso ao canal com
outros usuários e desocupar o canal quando o usuário licenciado for detectado
(AKYILDIZ, 2008).
O sensoriamento de espectro é considerado um dos componentes mais
importantes do RC, pois identifica oportunidades no espectro e sinaliza o retorno do
usuário primário ao canal licenciado. No processo de sensoriamento, a
16
determinação do período com que os canais são sentidos é um desafio de pesquisa,
pois a sua definição deve levar em consideração o compromisso entre o número de
oportunidades descobertas e o overhead de sensoriamento causado. Uma
oportunidade pode ser considerada como uma determinada banda de frequência
que não está sendo utilizada em um momento específico, numa determinada área
geográfica. Já o overhead de sensoriamento é o tempo durante o qual o US deve
suspender a transmissão de dados para medir a disponibilidade do canal. O alto
overhead de sensoriamento pode comprometer a eficiência espectral, pois, neste
caso, o rádio é utilizado muito tempo para detecção de sinal do usuário primário em
vez de transmissão de dados. Dessa forma, a otimização do período de
sensoriamento visa determinar o período, para um determinado canal, que
proporcione um grande número de oportunidades com um mínimo de overhead de
sensoriamento. E esta definição é fortemente influenciada pelo padrão de uso do
usuário primário e escala de tempo de sua aplicação.
Esta dissertação propõe uma estratégia de otimização do período de
sensoriamento dos canais de modo a maximizar o número de oportunidades
encontradas com um overhead de sensoriamento mínimo especificado, diminuir o
tempo de interferência e aumentar o tempo de transmissão útil. Para tanto, utiliza-se
uma técnica de inteligência computacional baseada em Algoritmo Genético (AG)
multiobjetivo para definir o período de sensoriamento a partir de amostras de canais
que seguem um modelo ON/OFF com funções densidade de probabilidade
exponenciais. A proposta presente neste trabalho aumenta a eficiência do
sensoriamento por adaptar-se aos requisitos de tolerância à interferência em canais
licenciados.
Esta dissertação está organizada da seguinte forma:
No Capítulo 2, os principais conceitos relacionados à tecnologia Rádio
Cognitivo são sintetizados, incluindo a justificativa de sua utilização, principais
características e arquitetura.
No Capítulo 3, o sensoriamento de espectro utilizado por Rádio Cognitivo é
abordado através da apresentação de suas características, critérios para
classificação e desafios atuais.
17
O objetivo do Capítulo 4 é descrever a proposta deste trabalho, os conceitos
relacionados e a metodologia utilizada para definir os melhores parâmetros para o
AG.
Já no Capítulo 5, são apresentados os resultados obtidos pela estrutura de
otimização do período de sensoriamento que utiliza a estratégia AG, bem como os
resultados da simulação da proposta.
Finalmente, no Capítulo 6, as considerações finais a respeito deste trabalho
são realizadas.
18
2 RÁDIO COGNITIVO
A tecnologia rádio cognitivo1 (RC) habilita o uso do espectro de forma
oportunista. O termo rádio cognitivo pode ser definido como um rádio que muda
seus parâmetros de transmissão baseado na interação com o ambiente que opera
(FCC, 2003). A partir dessa definição duas características podem ser definidas:
capacidade cognitiva e reconfigurabilidade.
A capacidade cognitiva se refere à capacidade do usuário RC de detectar e
extrair, informações do ambiente de rádio. Devido à complexidade, esta capacidade
não pode ser realizada através do simples monitoramento da potência na faixa
espectral de interesse. Para isso, são necessárias técnicas mais sofisticadas para
detectar variações temporais e espaciais em um ambiente de rádio e evitar
interferência a outros usuários, principalmente aos licenciados. Essa capacidade
objetiva identificar, entre outras coisas, quais canais estão disponíveis em
determinados instantes de tempo e localização.
A capacidade de reconfigurabilidade consiste na seleção dos melhores
parâmetros de rádio a serem adotados em uma dada faixa espectral. Esta seleção
deve levar em conta os requisitos da aplicação secundária, prover melhor utilização
do espectro e evitar interferência ao usuário primário. Neste âmbito, caso o
hardware suporte, um dispositivo RC pode ser configurado para transmitir e receber
sinais sobre várias faixas de frequências, além de se adaptar a diferentes
tecnologias de transmissão, recepção e acesso.
O intuito do RC é a descoberta da melhor faixa de espectro disponível através
da capacidade cognitiva e reconfiguração dos seus parâmetros para adaptar a esta
faixa. Quando o usuário RC estiver utilizando o espectro o desafio é não interferir na
transmissão do usuário licenciado como mostra a Figura 1. O RC permite,
temporariamente, o uso de um espectro não utilizado, denominado como lacunas
(AKYILDIZ, 2006), ou oportunidades (ARSLAN, 2007) no espectro, sendo este
último termo adotado ao longo deste trabalho. Se o canal é usado por um usuário
licenciado, o usuário RC deve se deslocar para outro canal, ou permanecer no
1 Os termos rádio cognitivo usuário secundário e usuário não-licenciado serão utilizados indistintamente durante todo o texto.
19
mesmo, alterando seu nível de potência ou esquema de modulação para evitar
interferência, como mostra a Figura 1.
Figura 1: Lacuna no espectro (AKYILDIZ et. al, 2008).
2.1 CAPACIDADE COGNITIVA
A capacidade cognitiva de um dispositivo RC permite a interação em tempo
real com seu ambiente para determinar e alterar os parâmetros de rádio
apropriados. As tarefas envolvidas na operação de adaptação ao espectro definem o
chamado ciclo cognitivo e são ilustradas na Figura 2. Nesta seção, é descrita uma
visão geral dos três principais etapas do ciclo cognitivo: sensoriamento do espectro,
análise espectral e decisão espectral.
No sensoriamento de espectro, descrito na Figura 2, o dispositivo RC
monitora uma banda de espectro disponível, captura as informações e detecta as
oportunidades sobre esse espectro. Na análise espectral, as características das
oportunidades disponíveis são estimadas a partir da detecção do sensoriamento do
espectro e então, são estimadas. Por fim, na decisão do espectro, o RC determina a
taxa de dados, o modo de transmissão, e largura de banda da transmissão. Dessa
forma, a banda apropriada de espectro é selecionada conforme as características do
espectro e requisitos do usuário.
20
Figura 2: Ciclo Cognitivo (AKYILDIZ et. al, 2008).
2.2 RECONFIGURABILIDADE
Reconfigurabilidade é a capacidade de ajustar os parâmetros de operação
para a transmissão sem qualquer modificação do hardware, realizando tal processo
no âmbito de software. Esta capacidade permite ao RC adaptar-se facilmente a
qualquer ambiente de rádio. Há vários parâmetros que podem ser reconfigurados no
RC. Abaixo são apresentados alguns deles:
• Frequência de operação: o RC é capaz de alterar a sua frequência de
operação baseado nas informações obtidas do ambiente de rádio. Com estas
informações, a frequência de operação mais adequada pode ser determinada
e a comunicação pode ser realizada.
• Esquema de modulação: o RC deve reconfigurar o seu esquema de
modulação de forma adaptativa, levando em consideração os requisitos do
usuário, condições do canal e a não interferência na comunicação do usuário
licenciado.
• Potência de transmissão: a potência de transmissão do RC deve ser ajustada
considerando questões como: prover melhor compartilhamento do espectro,
21
não interferência nas comunicações dos outros usuários, principalmente os
licenciados, minimização do consumo de bateria do dispositivo, no caso de
dispositivos não conectados em fonte de energia.
• Tecnologia de acesso: o RC pode ajustar dinamicamente a sua tecnologia de
acesso, o que possibilita a interoperabilidade entre sistemas de comunicação
diferentes.
É interessante notar que os parâmetros de transmissão do RC podem ser
reconfigurados não apenas no início da transmissão, mas também durante esta,
conforme as características do espectro; habilitando que o dispositivo RC migre para
outra faixa espectral, diferente da ocupada atualmente.
2.3 ARQUITETURA DE REDES RÁDIO COGNITIVO
As arquiteturas de redes sem fio existentes adotam diferentes políticas de
espectro e tecnologias de comunicação. Além disso, parte do espectro sem fio já
está licenciado para diferentes fins, enquanto algumas bandas continuam operando
em modo não licenciado. Nesta seção, a arquitetura de redes baseadas em rádio
cognitivo (RRC) é apresentada considerando vários cenários. Os componentes da
arquitetura de RRC, como mostrado na Figura 3, podem ser classificados em dois
grupos: redes primárias e redes secundárias.
A rede primária possui direitos exclusivos de utilização de determinadas
faixas de espectro, as faixas licenciadas. Como exemplos deste tipo de rede citam-
se as redes celulares, de sistemas de televisão e sistemas de rádio. Os
componentes de uma rede primária são o usuário primário (UP) e a estação rádio
base primária. O usuário primário ou usuário licenciado tem a licença para operar
em determinada faixa do espectro. Esse acesso é controlado pela estação base e
não deve ser afetado por operações de usuários não licenciados. Não é necessário
que o UP modifique ou adicione funções para coexistir com usuários RC.
A estação base primária, assim como o usuário primário, opera em uma faixa
de espectro licenciada, sendo esta estação base capaz de transmitir e receber em
22
um sistema celular. Atualmente, a estação base primária não tem a capacidade de
compartilhar setores do espectro com usuários RC.
A rede secundária (rede baseada em rádio cognitivo, rede de acesso
dinâmico ao espectro, ou rede não licenciada) não tem licença para operar nas
faixas licenciadas. Por isso, o acesso ao espectro licenciado é permitido somente de
forma oportunista. A rede secundária pode ser desenvolvida de maneira
infraestruturada ou ad hoc, conforme a Figura 3. Os principais componentes de uma
rede secundária são: usuário secundário, estação base secundária e o corretor de
espectro.
O usuário secundário (US) não possui concessão de utilização do espectro
licenciado. Por isso, torna-se necessário adicionar funcionalidades para que ele
possa compartilhar com usuários primários as faixas de espectro licenciadas.
A estação base secundária (ou estação base não licenciada) é um
componente de infraestrutura fixa com capacidades cognitivas. Ela fornece conexão
de um salto para USs. A Figura 3 exibe a arquitetura de uma rede secundária, onde
há diferentes tipos de redes: rede primária, rede secundária.
Redes secundárias operam tanto no espectro licenciado, de forma
oportunista, quanto no não licenciado. Há três tipos de acesso em redes
secundárias: acesso à rede secundária, à rede ad hoc e à rede primária. No acesso
à rede secundária, o usuário pode utilizar a estação base secundária nas faixas
licenciadas e não licenciadas. No acesso a rede ad hoc um US pode se comunicar
com outro US através de uma conexão ad hoc nas faixas licenciadas ou não
licenciadas. No acesso a rede primária o US pode acessar a estação base primária
através da banda licenciada.
23
Figura 3: Arquitetura de uma Rede de Rádio Cognitivo (AKYILDIZ et. al, 2008).
Conforme a arquitetura apresentada na Figura 3, a capacidade cognitiva e a
reconfigurabilidade são funcionalidades fundamentais para suportar os desafios que
o RC impõe, que incluem a transmissão de qualidade sem interferência nos usuários
do espectro licenciado, decisão de qual faixa de espectro utilizar e quando utilizar,
além do compartilhamento do espectro com outros usuários secundários.
2.4 FUNÇÕES DAS REDES SECUNDÁRIAS
Conforme explicado na seção 2.3, as redes secundárias podem operar nas
bandas licenciadas e não licenciadas do espectro. As funcionalidades da rede
secundária variam dependendo do espectro. Nesta seção, serão classificadas as
operações da rede secundária como: em banda licenciada e em banda não
licenciada.
24
Como mostrado na Figura 4, há faixas do espectro licenciado que não são
utilizadas temporariamente. Por isso, as redes secundárias foram desenvolvidas
para explorar essas faixas de espectro através da tecnologia de RC. Ambas, redes
secundárias e primárias, coexistem no mesmo local e utilizam a mesma faixa de
espectro.
Figura 4: Rede secundária na banda licenciada (AKYILDIZ et. al, 2008).
Devido à existência do UP, há vários desafios para a rede secundária.
Embora a principal proposta da rede secundária seja determinar o melhor espectro
disponível, a principal função do RC na banda licenciada é detectar a presença do
UP para não causar interferência nele. Deste modo, evitar a interferência no UP é a
questão mais importante nessa arquitetura. Além disso, se o UP retornar a uma faixa
de espectro ocupada por um US, este deve desocupar a faixa e se deslocar
imediatamente para outra faixa de espectro disponível, este comportamento do US é
denominado handoff de espectro.
25
2.5 REDES SECUNDÁRIA SOBRE FAIXA DE ESPECTRO NÃO LICENCIADA
A política de abertura do espectro, que começou na faixa industrial, científica
e médica (ISM – Industrial, Scientific, and Medical), viabilizou uma impressionante
variedade de tecnologias importantes e usos inovadores. Contudo, devido à
interferência entre várias redes heterogêneas e o alto número de dispositivos sem
fio, a transmissão nesta faixa está se degradando.
A rede secundária pode ser projetada para operações na banda licenciada,
desde que, não provoque interferência na comunicação primária e proporcione
melhor utilização do espectro. A arquitetura da rede secundária sobre a banda não
licenciada é ilustrada Figura 5. Como US não precisa de licença para utilizar o
espectro, todos os USs tem o mesmo direito de acesso na faixa de espectro, desde
que atendam as normas de uso determinadas pelas agências reguladoras.
Figura 5: Rede secundária sobre banda não licenciada (AKYILDIZ et. al, 2008).
Múltiplas redes secundárias coexistem na mesma área e se comunicam
usando a mesma porção do espectro. Algoritmos de compartilhamento de espectro
inteligentes podem prover melhor eficiência espectral e QoS as aplicações
secundárias.
26
Nessa arquitetura, o objetivo do US é detectar a transmissão de outros USs.
Diferente da operação em banda licenciada, o handoff de espectro não é encadeado
pelo aparecimento de outros usuários. Contudo, todos os USs devem competir pela
mesma faixa de espectro, pois têm o mesmo direito. Para isso, são necessários
métodos sofisticados de compartilhamento do espectro nessa arquitetura. Caso
várias redes secundárias operem na mesma faixa de frequência não licenciada é
necessária uma porção justa do espectro entre essas redes.
2.6 APLICAÇÕES PARA TECNOLOGIA RÁDIO COGNITIVO
Devido às características descritas anteriormente, rádio cognitivo tem
diversas aplicações, sendo algumas descritas a seguir.
Redes de segurança e emergência podem ser implementadas por RC. No
caso de desastres naturais que podem temporariamente desabilitar ou destruir
infraestrutura de comunicação, torna-se necessário estabelecer uma redes de
emergência. Considerando que redes de emergência lidam com informação crítica,
uma comunicação confiável deve garantir um atraso mínimo na comunicação. Além
disso, esse tipo de comunicação exige uma quantidade significante de espectro para
tratamento de volume de tráfego incluindo voz, vídeo e dados. RRC permite o uso
do espectro sem a necessidade de infraestrutura e pela manutenção de prioridade
de comunicação e tempo de resposta.
Outra possível aplicação de RC é no ambiente militar. RRC podem permitir
rádios militares escolherem aleatoriamente a frequência, largura de banda, tipo de
modulação e esquema de codificação adaptando ao ambiente de rádio do local de
guerra. Além disso, redes militares têm uma forte necessidade de segurança e
proteção da comunicação em ambiente inimigo. RRC deve permitir a realização de
handoff de espectro para encontrar uma faixa de espectro segura para
comunicação.
Redes mesh sem fio estão crescendo como uma tecnologia com boa relação
custo benefício que fornece conectividade em banda larga. Contudo, redes mesh
necessitam de alta qualidade para se adequar as exigências que incluem grande
27
número de usuários e aplicações que exigem muita vazão. RC permite o acesso a
grande quantidade do espectro, por tanto RRC pode ser usada pelas redes mesh
em grandes áreas urbanas, oferecendo qualidade de comunicação a grandes
exigências de transmissão.
28
3 SENSORIAMENTO DE ESPECTRO
Para Arslan (2007), o sensoriamento de espectro em RC é um termo que
envolve a obtenção das características de uso do espectro em várias dimensões,
tais como tempo, espaço, frequência e código. Envolve também determinar que
tipos de sinais estão ocupando o espectro, incluindo, por exemplo, modulação,
forma de onda, largura de banda e frequência portadora. No entanto, diferente de
outras aplicações, este sensoriamento em RC, devido ao uso oportunista, requer
técnicas mais poderosas de análise de sinal com alta complexidade computacional.
Sendo considerada uma das principais tarefas do RC, o sensoriamento do
espectro consiste em um processo periódico e dinâmico de monitoramento do
ambiente de rádio. Este mecanismo visa determinar as faixas de frequências
disponíveis, evitar interferência à comunicação licenciada, bem como detectar as
características dos sinais presentes que inclui tipo de modulação, forma de onda,
frequência da portadora. De acordo com Kim (2008), o sensoriamento de espectro é
a tarefa de obter consciência sobre o espectro utilizado e a existência do UP na área
geográfica. Quando uma faixa espectral é passível de utilização, o usuário de RC a
utiliza e fica em constante monitoramento a fim de verificar o possível retorno do
usuário licenciado àquela banda. Quando o usuário primário retorna, o usuário RC
deve parar a sua transmissão, vagar aquela faixa e buscar outra faixa disponível
para retomar a sua comunicação.
O sensoriamento de espectro pode ser realizado como um mecanismo de
duas camadas de redes: física (PHY) e de controle de acesso ao meio (MAC). Do
ponto de vista da camada PHY, busca-se detectar eficientemente os sinais do
usuário primário e as oportunidades de acesso, adaptando-se esquemas do rádio
secundário relacionados à codificação, modulação, entre outros. Vários métodos de
sensoriamento de espectro são apresentados na literatura para a camada PHY,
entre eles estão: detecção de energia, filtro casado, detecção de característica, que
serão descritos posteriormente. Por outro lado, da perspectiva da camada MAC, o
sensoriamento determina quando o usuário não licenciado tem que “sentir” os
canais, além de determinar quais canais devem ser sentidos.
29
Alguns elementos do sensoriamento de espectro são apresentados na Figura
6. O objetivo desta seção é descrever esses elementos do sensoriamento de
espectro, citando os métodos de sensoriamento, analisando o espectro de forma
multidimensional e discutindo os desafios de realizar o sensoriamento de espectro
em RC.
Figura 6: Vários elementos do sensoriamento de espectro.
3.1 ESPECTRO MULTIDIMENSIONAL
A definição de oportunidade determina a forma com que um dispositivo RC
pode medir e explorar o espectro. Segundo Kolodzy (2001), oportunidade é uma
faixa de espectro que não esta sendo utilizada em determinado momento e local.
Em métodos convencionais de sensoriamento de espectro, uma oportunidade pode
ser explorada em três dimensões: frequência, tempo e espaço. No entanto, outras
dimensões também podem ser exploradas como, por exemplo, a dimensão código.
Se a dimensão código, assim como outras novas dimensões, é interpretada como
parte do espectro, novas possibilidades de utilização do espectro podem ser criadas.
Como conseqüência, novos desafios surgem para detectar estas novas
oportunidades.
30
Explorar novas dimensões é um dos desafios do sensoriamento de espectro
em RC. Hiper-espaço teórico, o qual é ocupado por sinais de rádio, tem dimensões
de localização, ângulo de chegada, frequência, tempo, além de outras possibilidades
(DROZD, 2005). É desejável que o sensoriamento deva incluir o processo de
identificação em todas as dimensões e encontrar oportunidades. Este conceito
permite o compartilhamento entre sistemas licenciados e não-licenciados. Várias
dimensões de sensoriamento são descritas a seguir. Cada dimensão tem seus
próprios parâmetros, que devem ser detectados para obter o conhecimento total
sobre do espectro.
A dimensão frequência procura oportunidades no domínio do espectro de
frequência. Uma oportunidade nesta dimensão é uma faixa de frequência disponível
em determinado momento. Na dimensão tempo uma oportunidade surge quando
uma determinada faixa de espectro esteja disponível. Isto é, uma faixa que não é
utilizada continuamente. A Figura 7 ilustra as oportunidades na dimensão frequência
e tempo.
Figura 7: Oportunidades no domínio da frequência e do tempo (ARSLAN, 2007).
Na dimensão espaço um canal pode estar disponível em uma determinada
área. Essa é uma vantagem devido à perda de propagação devido a localização e
distância do UP. A Figura 8 ilustra a oportunidade de espectro que surgiu devido a
um sensoriamento que explora a dimensão espaço. Nesta dimensão o
31
sensoriamento pode ser realizado detectando o nível de interferência. A não
interferência significa a não transmissão do UP nesta área, com exceção no
problema do terminal escondido, descrito na seção 3.8.4.
Figura 8: Oportunidades no domínio do espaço (ARSLAN, 2007).
Na dimensão código, o espectro pode ser usado através do espalhamento
espectral ou salto de frequência. Isto é, utilizar o mesmo canal ao mesmo tempo que
o UP. A transmissão, no domínio do código, sem interferir com o UP, seria possível
com um código ortogonal ao código que o UP está usando. Surge então uma nova
oportunidade em RC. A Figura 9 mostra o surgimento de uma oportunidade na
dimensão código.
32
Figura 9: Oportunidade na dimensão código (ARSLAN, 2007).
Junto com o conhecimento da localização ou direção de UP, oportunidades
de espectro na dimensão do ângulo podem ser criadas. Por exemplo, se um UP está
transmitindo em uma direção específica, o US poderá transmitir para outras direções
sem criar interferência sobre o UP. A Figura 10 exibe a oportunidade criada na
dimensão ângulo, assumindo que neste tipo de transmissão a antena não emite o
sinal para todos os ângulos.
Figura 10: Oportunidade na dimensão ângulo (ARSLAN, 2007).
33
É desejável definir n dimensões no sensoriamento de espectro. Ou seja,
incluir o processo de identificação de todas as dimensões do espectro e encontrar
oportunidades no espectro.
3.2 MÉTODOS DE SENSORIAMENTO
Nesta seção serão descritos os principais métodos de sensoriamento em
rádio cognitivo utilizados atualmente. Nas abordagens são incluídas a identificação
das características de detecção, a forma como cada método identifica a transmissão
primária, desempenho de cada método.
3.2.1 Sensoriamento baseado em detecção de energia
Um dispositivo RC deve distinguir entre canais que estão ou não sendo
utilizados. Logo um dispositivo RC deve ser capaz de determinar se um UP está
transmitindo em um determinado canal. O sinal transmitido pelo UP é detectado e
comparado com um limiar �� para que possa constatar a presença do UP no canal.
Este limiar depende do nível de ruído.
O sensoriamento baseado em detecção de energia (AKYILDIZ et. al, 2008) é
o mais utilizado devido a sua baixa complexidade computacional e fácil
implementação. Ele é mais genérico, com relação a outras abordagens, pois seus
receptores não precisam de nenhuma informação sobre o sinal do UP para realizar o
sensoriamento.
Alguns dos desafios do sensoriamento baseado em detecção de energia
incluem a seleção de um limiar para detecção de UP (SHANKAR, 2005),
incapacidade de diferenciar os tipos de sinal, apenas a presença ou ausência de
sinal. O desempenho pobre sob baixos valores na relação sinal-ruído. Além disso,
esta abordagem não é eficiente para detecção de sinais com espalhamento
espectral.
34
Assumindo que o sinal recebido pelo detector, �(�), tem sua fórmula de
acordo com a Equação (1).
Sendo s(n) o sinal do UP detectado, w(n) uma amostra do ruído branco
Gaussiano e n o índice da amostra. Quando não há transmissão do UP, ou seja,
s(n)=0 , a métrica de decisão para o detector de energia pode ser descrita conforme
a Equação (2).
Onde N é o total de amostras observadas. A decisão sobre a ocupação de um
canal pode ser obtida comparando a métrica de decisão M com um limiar fixo λ�.
Isso é equivalente a distinguir as seguintes hipóteses descritas na Equação (3).
Onde �� é a hipótese de um UP estar ausente e �� é a hipótese de que um usuário
licenciado de um sinal estar presente no canal.
Um algoritmo de detecção pode ser resumido em duas possibilidades:
probabilidade de detecção �� e probabilidade de alarme falso ��. Onde �� é a
probabilidade de detectar um sinal em uma determinada frequência quando ele está
realmente presente. Em RC é desejável ter uma alta probabilidade de detecção, que
pode ser descrita conforme a Equação (4), onde Pr é o cálculo da probabilidade.
Por outro lado, ��, descrito na Equação (5), é a probabilidade de detectar que
um sinal em transmissão em um canal dado que o sinal está ausente.
( ) ( ) ( )y n s n w n= + (1)
(2) 2
0
| ( ) |N
n
M y n=
=∑
(3) 0
1
: ( ) ( ),
: ( ) ( ) ( ).
H y n w n
H y n s n w n
== +
(4) 1Pr( | )D EP M Hλ= >
(5) 0Pr( | )f EP M Hλ= >
35
Este tipo de sensoriamento é propenso a falso alarme acionados por sinais ou
ruídos indesejados. Mas esta probabilidade deve ser baixa para evitar a
subutilização das possibilidades de transmissão. Ou seja, um dispositivo RC
detectou incorretamente que o canal estava sendo utilizado e por isso não
transmitiu, perdendo o uso de uma oportunidade.
Um limiar de decisão λ� pode ser selecionado para encontrar um equilíbrio
entre �� e ��. Contudo, este limiar necessita de conhecer a potência do sinal
detectado e a potência do ruído. A potência do ruído pode ser estimada facilmente,
mas estimar a potência do sinal é difícil devido às mudanças que ocorrem nas
características de transmissão dos UPs. Segundo Lehtomäki (2005), na prática, um
limiar é escolhido para obter certa taxa de alarme falso. Por isso, o conhecimento da
variação do ruído é suficiente para seleção de um valor limite.
3.2.2 Sensoriamento baseado em forma de onda
Padrões conhecidos são normalmente utilizados nos sistemas sem fio para
auxiliar no reconhecimento de características futuras da transmissão do UP,
baseado no conhecimento de transmissões anteriores. Tais padrões incluem
preambles, midambles, padrões transmitidos regularmente, seqüências de
espalhamento. Sendo preamble uma seqüência de transmissão conhecida antes
que uma transmissão comece. E midambles um padrão reconhecido no meio de
uma transmissão.
Na presença de um padrão conhecido, o sensoriamento pode ser realizado
através da correlação do sinal recebido com uma cópia conhecida do sinal. Este
método é aplicado somente a sistemas com padrão de sinal conhecido. Para Olivieri
(2005), este sensoriamento pode superar o sensoriamento por detecção de energia
devido ao menor tempo de sensoriamento e a maior confiabilidade. Além de
constatar que o desempenho deste sensoriamento é melhor quanto maior for o
comprimento do sinal padrão.
36
Utilizando o modelo descrito na Equação (1), e segundo Tang (2005), a
métrica de sensoriamento pode ser obtida conforme a Equação (6). Onde *
representa o conjugado.
Onde segundo Tang (2005) na ausência do sinal do UP no canal, o valor da
métrica define-se de acordo com a Equação (7).
Similarmente, na presença do sinal do UP a métrica de decisão do
sensoriamento, como descreve a Equação (8), torna-se:
A decisão sobre a presença de um sinal UP em um canal pode ser feita
através da comparação da métrica M com um limiar fixo ��.
Conforme o exposto nesta seção, pode ser constatar que o sensoriamento
baseado em forma de onda, quando encontra um padrão de transmissão, realiza a
detecção em um tempo curto, em relação às outras abordagens de sensoriamento.
3.2.3 Sensoriamento ciclo-estacionário
Em geral, sinais modulados são associados a portadoras senoidais, trens de
pulso, espalhamento espectral, seqüências de salto, ou ciclos prefixados, que
resultam em sinal periódico. Sensoriamento ciclo-estacionário é um método para
detecção da transmissão do UP pela exploração das características ciclo-
estacionárias do sinal detectado.
(6) 1
Re[ ( ) * ( )]N
n
M y n s n=
= ∑
(7) 1
Re[ ( ) * ( )]N
n
M w n s n=
= ∑
2
1 1
| ( ) | Re[ ( ) * ( )]N N
n n
M s n w n s n= =
= +∑ ∑ (8)
37
Características ciclo-estacionárias são causadas pela periodicidade do sinal,
ou na sua média e auto-correlação (MAEDA, 2007). Segundo Sutton (2007) as
características ciclo-estacionárias podem ser deliberadamente induzidas para
facilitar o sensoriamento de espectro. Em vez da densidade espectral de potência, é
usada a função de correlação cíclica para detectar os sinais presentes num dado
espectro.
Esta abordagem consegue diferenciar o ruído de um sinal licenciado. Isto
porque o ruído é wide-sense stationary (WSS) sem correlação, enquanto sinais
modulados são ciclos-estacionários com correlação espectral, devido à redundância
de periodicidade do sinal (CABRIC, 2005). Além disso, de acordo com Kim (2007),
esta abordagem pode distinguir entre diferentes tipos de transmissão e de UPs.
Em relação à robustez da incerteza na potência do ruído, a detecção ciclo-
estacionária tem um desempenho melhor do que a detecção de energia. Contudo, é
computacionalmente complexa e exige um grande tempo de observação.
3.2.4 Sensoriamento baseado na identificação de rádio
Um conhecimento completo sobre as características do espectro pode ser
obtido através da identificação das tecnologias de transmissão utilizadas pelos UPs.
Essa identificação provê ao RC um maior conhecimento dimensional e precisão dos
parâmetros de rádio. Por exemplo, supondo que a tecnologia de um UP seja
identificada como um sinal Bluetooth. Rádio cognitivo pode usar esta informação
para extrair alguma informação útil na dimensão espacial, como o alcance do sinal
Bluetooth ser conhecido por ser cerca de 10 metros. Além disso, o RC pode desejar
se comunicar com os outros sistemas de comunicação identificados.
Para a identificação de rádio, em Farnham (2000), são utilizadas técnicas de
extração das características e de classificação. O objetivo é identificar a presença de
tecnologias de transmissão conhecidas e conseguir a interação com elas. As duas
principais funções são a identificação do modo inicial (IMI) e acompanhamento modo
alternativo (AMA). Através da potência do sinal, o IMI procura de dispositivos
cognitivos para um determinado modo de transmissão em rede. Já no AMA o
38
dispositivo cognitivo se comunicam em um determinado modo, enquanto monitora
outros.
No sensoriamento baseado na identificação de rádio, vários parâmetros são
extraídos do sinal recebido e eles são usados para identificar a tecnologia mais
provável do UP, através de vários métodos de classificação. Em Vardoulias (2001),
os parâmetros obtidos pelo detector de energia, são utilizados para a classificação.
Esses parâmetros incluem quantidade de energia detectada, sua distribuição em
todo o espectro. Largura de banda e forma de onda do canal são usadas como
características.
3.2.5 Filtro casado
Quando a informação do usuário primário é conhecida pelo US, o detector
ideal em ruído gaussiano estacionário é o filtro casado, pois maximiza a relação
sinal ruído do receptor. A principal vantagem do filtro casado é que ele necessita de
pouco tempo para alcançar um ganho de processamento alto, definindo rapidamente
as probabilidades de falso alarme e detecção (TANDRA, 2005).
Esta estratégia requer um conhecimento perfeito, a priori, das características
do sinal licenciado, tais como o tipo de modulação, formato do pulso e formato do
pacote transmitido pelo UP. Estas informações, quando obtidas pelo receptor do US,
não são precisas, e por isso o desempenho deste filtro é pobre. Além disso, como os
receptores RC necessitam conhecer todos os tipos de sinal, a implementação deste
tipo de filtro é impraticável devido a sua alta complexidade. E devido a essas
desvantagens, se fosse implementado teria um alto consumo de energia no
dispositivo.
3.3 COMPARAÇÃO DOS MÉTODOS DE SENSORIAMENTO
Uma comparação básica dos métodos de detecção é apresentada na Figura
11. Observa-se que o sensoriamento baseado em forma de onda é mais robusto do
que o detector de energia e o ciclo-estacionário. Além disso, tem menor
39
complexidade computacional que o ciclo-estacionário. Isto ocorre devido ao
processamento rápido que vem do uso das componentes de sinais conhecidos. No
entanto, na forma de onda deve haver uma informação a priori das características do
UP. E os UPs devem transmitir padrões conhecidos.
Figura 11: Principais métodos de sensoriamento
Segundo Ganesan (2005), o desempenho do método baseado em detecção
de energia é limitado quando não possuem dois pressupostos comuns: ruído não-
estacionário e variância desconhecida. No entanto, é mostrado que em situações
onde o ruído é estacionário, os métodos ciclo-estacionários têm desempenho pior do
que os de detecção de energia. Além disso, na presença de co-canal ou
interferências de canais adjacentes, o ruído torna-se não-estacionário. Assim,
sensoriamentos baseados em detecção de energia falham, enquanto os ciclo-
estacionários não são afetados.
Por outro lado, as características ciclo-estacionárias podem ser
completamente perdidas, devido ao desvanecimento do canal. Além disso, as
incertezas de um modelo criam dificuldades na relação sinal-ruído para detectores
ciclo-estacionários de características semelhantes aos detectores de energia. Por
40
fim, o sensoriamento ciclo-estacionário é conhecido por ser vulnerável aos desvios
de amostragem clock (CABRIC, 2007).
Na escolha do método de sensoriamento alguns compromissos devem ser
considerados. As características das transmissões dos UPs são o principal fator na
escolha de um método de detecção. As ciclo-estacionárias são contidas em forma
de onda, e há a existência de ciclos que são regularmente transmitidos, assim
características de tempo e frequência são muito importantes. Outros métodos
incluem fatores como a precisão dos parâmetros detectados, de tempo e frequência
de sensoriamento definidos, complexidade computacional e requisitos de rede.
A Tabela 1 resume os métodos descritos nesta seção, apontando as suas
principais vantagens e desvantagens.
Tabela 1 - Métodos de sensoriamento
Métodos de Sensoriamento
Principais Vantagens Principais Desvantagens
Sensoriamento baseado em detecção de energia
-baixa complexidade computacional
- fácil implementação.
-não precisam de informação, a priori, sobre o sinal do UP.
Ineficiente para detecção de sinais com espalhamento espectral.
Sensoriamento baseado em forma de onda
Menor tempo de sensoriamento com maior confiabilidade
Aplicado somente a sistemas com padrão de sinal conhecido
Sensoriamento ciclo-estacionário
Consegue diferenciar o ruído de um sinal licenciado
Computacionalmente complexo e exige um grande tempo de observação
Sensoriamento baseado na identificação de rádio
Maior precisão dos parâmetros de rádio
Requer a identificação das tecnologias de transmissão utilizadas pelo UP.
Filtro casado Define rapidamente as probabilidades de falso alarme e detecção.
Requer um conhecimento perfeito, a priori, das características do sinal licenciado
41
3.4 SENSORIAMENTO COOPERATIVO
A suposição sobre a detecção do transmissor primário é que as localizações
dos receptores primários são desconhecidas devido à ausência de sinalização entre
UPs e os USs. Portanto, o RC deve confiar em apenas nos sinais fracos do
transmissor primário baseado na observação local do US. Contudo, existem casos
em que a RRC é separada da rede primária não havendo interação entre elas. Deste
modo, em relação a detecção do transmissor, o US não consegue evitar a
interferência devido a falta de informação do receptor primário, conforme é ilustado
na Figura 12.
Figura 12: Problema da incerteza do receptor (AKYILDIZ et. al, 2006).
Além disso, o modelo de detecção do transmissor não pode impedir o
problema do terminal escondido. Um transmissor de um US pode ter uma boa visão
de um receptor, mas pode não ser capaz de detectar uma transmissão primária
devido ao sombreamento, mostrado na Figura 13. Para esses casos, as informações
de sensoriamento de outros USs é compartilhada para obter um sensoriamento mais
preciso.
42
Figura 13: Problema do sombreamento (AKYILDIZ et. al, 2006).
No sensoriamento não cooperativo, como descrito na seção 3.3, o US detecta
o sinal do transmissor primário independente e conforme suas observações locais. A
detecção cooperativa refere-se a métodos de sensoriamento onde as informações
de vários USs são incorporadas para detecção do UP. A detecção cooperativa pode
ser classificada como centralizada e distribuída. Sendo que na centralizada, a
estação base tem a resposabilidade de concentrar toda a informação de
sensoriamento e detectar oportunidades no espectro. Por outro lado, soluções
distribuídas requerem troca de observações entre USs.
Entretanto, a abordagem cooperativa tem um custo, ela causa efeitos
negativos sobre os recursos limitados da rede devido ao alto overhead de tráfego
gerado. Além disso, com essa abordagem não é possível conhecer a localização do
UP, continuando o problema da incerteza do receptor primário.
43
3.5 DETECÇÃO BASEADA EM INTERFERÊNCIA
Interferência normalmente é regulamentada de forma centrada no
transmissor, o que significa que a interferência pode ser controlada no transmissor
através da potência irradiada, as emissões fora da banda e localização dos
transmissores individuais. No entanto, a interferência ocorre realmente nos
receptores. Segundo Akyildiz (2006), o modelo baseado em temperatura de
interferência é centrado no gerenciamento da interferência no receptor, através da
estimação da temperatura limite, representada pelo montante das novas
interferências que o receptor primário pode suportar.
Portanto, um modelo para a medição interferência, denominado de
temperatura de interferência foi determinado por FCC (2003), como mostra a Figura
14. O modelo mostra o sinal de uma estação de rádio destinada a operar em uma
faixa em que o potência recebida ao nível de ruído. Além disso, sinais de
interferência aparecem quando o nível ruído aumenta dentro da área de serviço,
conforme indicado pelos picos acima do nível de ruído original. O modelo de
temperatura interferência gera interferência no receptor através do limite de
temperatura de interferência, que é representada pela quantidade de interferência
que o receptor poderia tolerar, ou seja, este modelo define um limite máximo de seu
nível de interferência. Enquanto os USs não excederem este limite por suas
transmissões, eles podem usar esta banda do espectro.
Figura 14: Modelo de temperatura de interferência (AKYILDIZ et. al, 2006)
44
3.6 DESAFIOS DO SENSORIAMENTO DE ESPECTRO
Existem vários desafios de pesquisa em aberto que precisam ser investigados
para o desenvolvimento do sensoriamento de espectro em rádio cognitivo. Esta
seção tem o objetivo de descrever alguns desafios.
3.6.1 Sensoriamento na camada MAC
Na camada MAC, um dos aspectos fundamentais para a eficácia do
sensoriamento é a definição da periodicidade com que os canais serão sentidos pelo
US, ou seja, de quanto em quanto tempo o US deve sentir o canal. Para tanto, deve-
se considerar um compromisso entre o número de descobertas de oportunidades de
utilização do espectro e o overhead de sensoriamento obtido com a adoção de um
dado período de sensoriamento. Caso este período seja muito pequeno, muitas
oportunidades no espectro serão encontradas, no entanto, o US despenderá muito
tempo sentindo os canais, o que fará com que a sua utilização espectral seja
reduzida. A Figura 15 ilustra esta situação, onde o período de sensoriamento é muito
pequeno para o canal representado por um modelo ON-OFF, detectado pela
camada física, realizando assim uma quantidade excessiva de sensoriamentos
redundantes.
Figura 15: Período de sensoriamento muito pequeno
Ao contrário, sentir os canais com menor frequência pode ocasionar perdas
de descobertas de oportunidades no espectro e/ou não percepção da interferência
45
causada no UP, conforme mostra a Figura 16. Neste caso, o UP estava presente no
canal, representado pelo estado ON, mas não foi detectado em função de um valor
grande para o período de sensoriamento adotado. Dessa forma, apesar do overhead
de sensoriamento obtido ser menor, neste segundo caso, e o US poderá passar
mais tempo realizando a sua transmissão, o US provocará maior interferência à
comunicação primária.
Figura 16: Período de sensoriamento muito grande
Além disso, devido ao peculiar padrão de uso de cada canal, definido pela
atividade do UP, um determinado período de sensoriamento pode proporcionar um
bom desempenho para um canal (compromisso entre o número de descobertas
encontradas e o overhead de sensoriamento obtido) ao passo que para outro isso
pode não ocorrer, como ilustra a Figura 17.
Figura 17: (a) Período sensoriamento pequeno para o canal. (b) Mesmo período de sensoriamento, porém grande para outro canal.
46
Adicionalmente, o sensoriamento de espectro também é afetado por outro
fator: a tolerância à interferência do UP. Em alguns canais como, por exemplo, os
pertencentes à banda de segurança pública, quando o RC explora suas
oportunidades, o sensoriamento deve ser feito tão frequente tanto quanto possível a
fim de prevenir a interferência aos usuários primários (ARSLAN, 2007). Com isso,
um dos grandes desafios na área de sensoriamento de espectro é encontrar um
período de sensoriamento ótimo para cada canal com vistas a obter um bom
compromisso entre o número de descobertas encontradas e o conseqüente
overhead de sensoriamento proporcionado, para transmissões primária e
secundária.
O sensoriamento na camada MAC pode ser classificado como pró-ativo ou
reativo (KIM, 2008). Quando o requisito de largura de banda de uma rede
secundária ou baseada em rádio cognitivo (RRC) pode ser satisfeito com apenas um
canal, torna-se suficiente para o US descobrir apenas um canal ocioso e
permanecer nele até a chegada de um UP. Assim, o sensoriamento é realizado sob
demanda, apenas quando o US da RRC tem que mudar para outro canal. Este tipo
de sensoriamento é chamado de detecção reativa.
Por outro lado, para descobrir mais canais ociosos/vagos deve-se realizar um
sensoriamento pró-ativo, ou seja, cada canal deve ser sentido regularmente com seu
próprio período, possibilitando que as oportunidades existentes nos canais sejam
encontradas. E este processo de descoberta se dá de forma contínua, não apenas
sob demanda. Nesta abordagem, adota-se esta forma de sensoriamento, onde se
busca encontrar um conjunto de períodos de sensoriamento ótimo para os canais
objetivando um bom compromisso entre oportunidades no espectro encontradas e
overhead de sensoriamento desejado.
47
3.6.2 Exigências de Hardware
O sensoriamento de espectro em RC exige um hardware diferenciado, com
alta taxa de amostragem, alta resolução nos conversores analógico-digital e alta
velocidade nos processadores de sinal.
Adicionalmente, o sensoriamento de espectro pode ser realizado nas
arquiteturas de uma antena ou duas antenas. Com uma antena garante-se
simplicidade e baixo custo de sensoriamento de espectro. Contudo, a eficiência da
utilização do espectro é reduzida, pois uma parte importante do tempo é utilizada
para a detecção em vez da transmissão de dados, haja vista que um dispositivo de
uma antena não consegue transmitir e sentir o canal ao mesmo tempo.
Já na arquitetura com duas antenas, uma antena é dedicada à transmissão e
recepção de dados, enquanto a outra é dedicada ao sensoriamento de espectro. A
desvantagem inclui o maior consumo de energia e custo de hardware. A Tabela 2
compara as principais vantagens e desvantagens da utilização das duas
arquiteturas.
Tabela 2 - Sensoriamento com uma e duas antenas
Uma antena Duas antenas
Vantagens Simplicidade Alta eficiência espectral
Baixo custo Melhor exatidão no sensoriamento
Desvantagens
Baixa eficiência espectral Alto custo
Pobre exatidão no sensoriamento
Alto consumo de potência
Maior complexidade
Dependendo dos recursos disponíveis, desempenho desejados e/ou
exigências de taxas de dados, opta-se por uma arquitetura ou outra. Neste trabalho
será utilizada a arquitetura com uma antena.
Já existem plataformas de software e hardware disponíveis para RC. Entre
elas estão: GNU Rádio (BLOSSOM, 2004), Universal Software Radio Peripheral
48
(USRP) (ETTUS, 2011), Shared Spectrum’s XG Radio (MCHENRY, 2007). O
detector de energia é o mais utilizado nestas plataformas devido à simplicidade e ao
baixo custo. Por isso, esse será o método de sensoriamento utilizado nesta
dissertação.
3.6.3 Problema do terminal escondido
Um transmissor secundário pode não ser capaz de detectar uma transmissão
primária devido ao sombreamento. Por não conseguir detectar a transmissão do UP,
a transmissão do dispositivo RC causa interferência no receptor UP. A Figura 18
ilustra o problema do terminal escondido, onde o usuário secundário (US1) realiza o
sensoriamento e a transmissão causando interferência no UP2, pois não consegue
detectar a presença do receptor primário (UP1), nem do transmissor primário (UP2),
pois este último localiza-se fora do alcance de detecção dos dispositivos,
representado pelos círculos.
Figura 18: Problema do terminal escondido em RC (AKYILDIZ et. al, 2008).
Uma possível solução para este problema seria a implantação da detecção
cooperativa. Para o problema do terminal escondido seria o sensoriamento
cooperativo.
49
3.6.4 Detecção de Espalhamento Espectral de Usuários Primários
A detecção de UPs que utilizam espelhamento espectral é mais difícil. Devido
à energia do sinal transmitido ocupar uma banda muito maior que a informação, a
largura de banda usada para transmissão torna-se muito maior que a mínima
necessária para transmitir a informação. Este problema pode ser parcialmente
evitado se o padrão do sinal é conhecido e se for possível alcançar um perfeito
sincronismo com o sinal.
50
4 OTIMIZAÇÃO DO PERÍODO DE SENSORIAMENTO EM RÁDIO COGNITIVO
Este capítulo descreve a proposta e a metodologia utilizadas para definir o
conjunto de períodos de sensoriamento ótimos para os canais de comunicação. O
objetivo desta abordagem é obter um bom compromisso entre o número encontrado
de oportunidades nos canais e a taxa de overhead de sensoriamento estipulada
para estes canais.
4.1 CONSIDERAÇÕES GERAIS E ESTADO DA ARTE
O sensoriamento de espectro em RC objetiva encontrar boas oportunidades
de transmissão e detectar a chegada do usuário primário ao canal, de modo a não
causar interferência na transmissão primária. A eficiência do sensoriamento é dada
por quão capaz ele é de descobrir as oportunidades no espectro, bem como evitar a
interferência na comunicação licenciada.
Quando o dispositivo de rádio sente mais o espectro do que transmite, a
eficiência espectral é degradada, pois assim utiliza muito tempo para a detecção do
UP em vez de realizar a transmissão secundária. Por outro lado, sentir os canais de
comunicação com pouca frequência pode resultar em perdas na descoberta de
oportunidades, bem como interferência à comunicação licenciada. Por isso, tornam-
se necessários procedimentos de sensoriamento que tenham o objetivo de obter
máxima utilização espectral possível sem causar interferência na transmissão do
usuário primário.
Neste aspecto, em Choi (2010) foi desenvolvido um sistema de
sensoriamento que propõe a melhoria da utilização do espectro decidindo,
adaptativamente, se o RC sente o canal ou se transmite dados do usuário. A tomada
de decisão é baseada em resultados de sensoriamento e transmissão de dados
anteriores, sensoriamento atual e troca de canal. No trabalho, o comportamento do
UP foi modelado como um processo de Markov com dois estados. Nele, os autores
desenvolveram um algoritmo que utiliza o processo de decisão de Markov
51
parcialmente observável para otimizar o mecanismo de sensoriamento. Com isso, o
esquema proposto evita sensoriamentos desnecessários.
No entanto, os autores consideram uma rede em pequena escala, Wireless
Personal Area Network (WPAN), com a topologia em estrela e nó central,
denominado de “nó mestre”, que tem a função de fazer o sensoriamento e tomar as
decisões de qual canal utilizar e quando ele deve ser utilizado. Além disso, existem
os “nós escravos” que recebem a ordem do nó mestre de quando transmitir, qual
canal utilizar, bem como de quando realizar a troca de canal. Assim, os nós
escravos não realizam sensoriamento. Os autores avaliam o desempenho da
estratégia quanto à utilização do canal e probabilidade de colisão. Essa arquitetura
pode ser considerada limitada, pois funciona em condições demasiadamente
específicas. Em um ambiente onde não exista o nó mestre, um nó escravo não tem
inteligência suficiente para realizar sozinho o sensoriamento e a tomada de decisão.
Ademais, os autores não citam o efeito do overhead de fluxo na rede causado pelas
trocas de informação entre nó mestre e escravos. Este parâmetro é considerado
importante, pois o nó mestre faz o sensoriamento continuamente e atualiza os nós
escravos a todo o momento.
Em Kim (2008) é proposto um algoritmo adaptativo que busca determinar a
periodicidade ótima com que cada canal é sentido. O objetivo é maximizar a
descobertas de oportunidades no espectro e minimizar o atraso na busca por um
canal disponível. Na proposta, adota-se o modelo de canais ocupado/desocupado
(ON/OFF), cuja duração de cada período ON/OFF segue uma distribuição
exponencial. Os resultados obtidos foram apresentados em termos de utilização do
canal licenciado pelo usuário secundário.
No entanto, em Kim (2008), o conjunto de períodos de sensoriamento
encontrado baseia-se numa estratégia que leva em consideração o comportamento
médio dos canais e não as amostras dos canais, gerados a partir de uma
distribuição exponencial. Com isso, não fica claro se o desempenho do período de
sensoriamento obtido com esta proposta seria ótimo caso os autores
considerassem/avaliassem as amostras geradas dos canais em vez da informação
do comportamento médio dos mesmos. Ademais, os autores não consideram a
influência da seleção do período de sensoriamento sobre a interferência ao usuário
52
primário. Além disso, o resultado encontrado tem overhead de sensoriamento fixo,
não levando em conta que alguns canais têm menos tolerância a interferência que
outros.
Em Song (2009) é proposta a melhoraria na utilização espectral através de
um sistema de sensoriamento de espectro cooperativo e adaptativo. A adaptação do
sistema de sensoriamento se dá conforme características de uso do canal e número
de usuários secundários que participam do sensoriamento cooperativo. Os autores
avaliam a abordagem proposta em relação a eficiência da detecção e custo de
detecção. No entanto, a quantidade de interferência gerada pelo usuário secundário
não é considerada na avaliação. Assim como, também não é avaliado o overhead de
troca de mensagens na rede, pois os USs trocam mensagens entre si ou as enviam
para uma entidade central.
Os trabalhos descritos anteriormente levam em consideração o
comportamento médio dos canais, o que pode inviabilizar sua aplicação em cenários
realistas. Dessa forma, os resultados obtidos por meio dessa abordagem podem não
refletir os valores reais, devido a não-linearidade dos dispositivos, falhas de
equipamentos ou fatores ambientais inesperados, entre outros, que não são
considerados na definição do modelo adotado. Em vista disso nesta dissertação
foram utilizadas amostras geradas com comportamento estocástico, para tornar a
abordagem proposta mais fiel à realidade.
Levando-se em consideração que ambientes RC são altamente dinâmicos,
AG pode se apresentar como uma ferramenta muito útil para esses sistemas. O AG
possui a capacidade de otimização de sistemas não-lineares, encontrando respostas
satisfatórias para grandes espaços de busca. Questões como a não-linearidade de
canais são assimiladas pelo AG. Com isso, o AG consegue calcular um período de
sensoriamento satisfatório independente do comportamento do canal.
Em se tratando do uso de AG em RC, Chantaraskul (2010) propõe uma
arquitetura de tomada de decisão sobre sensoriamento de espectro, incluindo o fluxo
de informações do RC como um processo de entrada para o mecanismo de tomada
de decisão. A filtragem de informações do ambiente de rádio e o mecanismo de
raciocínio em que a decisão é obtida utilizam uma abordagem em um AG, que busca
otimizar o tamanho do pacote, frequência, tipo de modulação, potência de
53
transmissão e a taxa de dados. A proposta é testada através de simulações e um
estudo experimental para prova de conceitos é realizado em uma plataforma
baseada na Universal Software Radio Peripheral (USRP) e GNU Radio. No processo
de avaliação da arquitetura foram fornecidas as configurações do ambiente de teste
e os resultados da observação, abrangendo sensoriamento de espectro e a
alocação oportunista de canal na banda ISM. Os autores avaliam a proposta em
relação ao fitness dos melhores indivíduos.
Ademais, os autores utilizam uma estratégia multiobjetivo que considera a
média ponderada para calcular o fitness dos indivíduos. Esta estratégia precisa das
ponderações para canais diferentes, devido aos diferentes padrões de uso desses
canais. No entanto, os autores não clarificam como ajustar os pesos para diferentes
tipos de canais e nem consideram a interferência causada pelo usuário secundário.
Abordagens baseadas em AG têm a vantagem de explorar um grande espaço
de buscas devido ao seu paralelismo implícito. No entanto, o tempo necessário para
um algoritmo genético chegar a uma solução satisfatória aumenta com a
complexidade do sistema. Em vista disso, são necessárias técnicas para acelerar a
convergência do AG e, por conseguinte, obter resultados satisfatórios em menor
período de tempo.
Neste âmbito, em Chen (2010) são apresentadas algumas abordagens para
melhorar o tempo de convergência do AG na determinação do conjunto de
parâmetros de transmissão ideais para um sistema baseado em RC. Para isso,
foram analisadas e testadas técnicas de adaptação da população, quantização de
variáveis, adaptação de variáveis e algoritmos genéticos multiobjetivos. As métricas
utilizadas para avaliar a proposta foram a vazão do canal, a demanda de usuários
secundários e o valor de fitness.
Em Willkomm et. al (2009), foi realizado um estudo sobre a análise de um
conjunto de dados de chamadas registradas dentro de uma rede celular. Deste
modo, eles foram capazes de mostrar informações de sensoriamento dessa rede.
Esse estudo foi realizado simultaneamente em centenas de estações base durante
três semanas, resultando em dez milhões de chamadas. De posse desses
resultados foi criado um modelo de chamadas e da capacidade do sistema. Foram
descritos alguns aspectos relevantes para a permissão do acesso dinâmico ao
54
espectro em uma rede celular. Um deles é que redes celulares são atrativas ao
acesso dinâmico durante a noite e fins de semana, ou seja, horários que não são de
pico e podem ser largamente utilizados por usuários secundários. Outro aspecto é a
velocidade com que novas faixas de espectro podem ser percebidas. Um canal é
desocupado se o sensoriamento detecta o UP no canal. O US, em conformidade
com o comportamento do UP, deve escolher um período de sensoriamento mais
adequado. Períodos de sensoriamento curtos são utilizados em determinados
momentos, no entanto, em outros, períodos de sensoriamento longos são
justificados quando a utilização do UP no canal for comprovadamente baixa.
Em termos de tempo de processamento o AG é maior do que outras
propostas de otimização. No entanto, como exposto em Willkomm et. al (2009),
existem canais que seguem um padrão durante um longo período de tempo. Caso o
tempo de processamento do AG seja bem menor em relação ao tempo em que o
canal segue o padrão, ainda resta muito tempo para utilizar o período de
sensoriamento ótimo. O AG é aplicável a esse tipo de cenário, onde leva um tempo
de processamento curto em relação ao tempo total em que um canal segue um
padrão. Além disso, o tempo do processamento do AG pode diminuir com técnicas
de aceleração de convergência, por tanto o AG também pode ser útil em aplicações
que necessitam de respostas rápidas. Dessa forma, uma abordagem utilizando AG é
perfeitamente aplicável em sistemas RC.
Como visto acima, diversos trabalhos têm sido propostos para o processo de
sensoriamento de espectro em RC. Diferentemente de outros trabalhos, nesta
dissertação propõe-se a utilização de algoritmos genéticos com uma estratégia
multiobjetivo para otimização do período de sensoriamento do espectro. Nesta
proposta, busca-se maximizar o número de oportunidades descobertas no espectro,
considerando um valor de overhead de sensoriamento definido pelo usuário.
4.2 MODELO DO CANAL
Neste trabalho, o período de sensoriamento do canal i será representado pela
variável �� . Qualquer canal ocioso descoberto pelo sensoriamento periódico torna-se
55
uma nova oportunidade de utilização oportunista do canal licenciado pelo US.
Embora a detecção periódica seja realizada em todos os canais de forma
independente, a detecção simultânea de N canais deve ser programada de tal
maneira que não haja nenhuma outra, enquanto a medição sobre o canal i estiver
sendo realizada para �� .
Para simular um ambiente propício ao sensoriamento na camada MAC, assim
como em Kim (2008), foram adotados canais que seguem o modelo Ocupado
(ON)/Desocupado(OFF). Neste modelo, um período ON representa o tempo em que
o canal de comunicação está sendo ocupado pelo usuário primário, portanto não
passível de utilização pelo US. Já o período OFF representa o tempo em que o
canal está disponível e que, portanto, o US pode utilizá-lo oportunistamente para
efetuar a sua transmissão. A duração dos períodos ON e OFF de cada canal i é
dada por funções densidade de probabilidade (f.d.p) exponenciais, com médias �
��
e �
���
, conforme (9) e (10), respectivamente. A Figura 19 ilustra o modelo de
canal ON/OFF.
Figura 19: Modelo do canal ON/OFF
Para o canal i(i =1,2,...,N) considera-se o modelo de tempo de permanência
de um período ON como uma variável aleatória �� � com função de densidade de
probabilidade (f.d.p) dada por !"��(�), � > 0. Similarmente, a f.d.p do tempo de
permanência do período OFF é dada por !"���(�), � > 0 . Nesta abordagem, assim
(9) ( ) ( 0)iONi
ONON
y
iTf y e y
λλ −= >
(10) ( ) ( 0)iOFFi
OFFOFF
x
iTf x e x
λλ −= >
56
como em Kim (2008), os períodos ON e OFF são considerados como independentes
entre si e identicamente distribuídos.
Sendo %�(&) o estado do canal i no instante t. O processo de sensoriamento
se resume ao processo de amostragem dos canais a cada intervalo de tempo. Neste
caso, os estados ON e OFF dos canais podem ser representados pelos dígitos 1 e
0, respectivamente. Com isso, para determinar o conjunto ótimo de períodos de
sensoriamento, a proposta apresentada neste trabalho utiliza os valores amostrados
dos canais em vez do comportamento médio de cada período ON/OFF, adotado em
Kim (2008). Dessa forma, esse estudo proporciona um cenário de avaliação mais
próximo do real, pois informações do comportamento médio dos canais podem não
estar disponíveis ou demandar muito tempo e medições para serem obtidas. Além
disso, esta proposta é totalmente extensível para outros modelos de canais.
4.3 ABORDAGEM PROPOSTA
Este capítulo descreve a proposta e a metodologia utilizadas para definir o
conjunto de períodos de sensoriamento ótimos para os canais de comunicação. O
objetivo desta abordagem é obter um bom compromisso entre o número
oportunidades encontrado nos canais e a taxa de overhead de sensoriamento
estipulada para estes canais. Para alcançar este objetivo, um Algoritmo Genético
(AG) com uma estratégia de múltiplos objetivos foi adotado e é detalhado na Seção
4.4.
A Figura 19 descreve de maneira geral a proposta deste trabalho, onde um
AG é a abordagem que define um período de sensoriamento (�) satisfatório para
que o sensoriamento de canais possa executar seu serviço com o compromisso
descrito acima. Os dados do sensoriamento são considerados pelo AG para que ele
possa avaliar o período de sensoriamento.
57
Figura 20: Estrutura da proposta deste trabalho.
4.4 ALGORITMO GENÉTICO
Como apresentado na Seção 3.6.1, no sensoriamento pró-ativo cada canal é
sentido com seu próprio período de sensoriamento, os quais são independentes
entre si. Neste aspecto, a adaptação do período de sensoriamento de cada canal é
um grande desafio, haja vista que na definição de qual valor adotar deve-se levar em
conta o compromisso entre o número de oportunidades descobertas e o overhead
de sensoriamento. Ademais, o período de sensoriamento ótimo para um canal pode
não ser para os demais.
Com isso, nesta abordagem busca-se através dos conceitos evolutivos
inerentes aos algoritmos genéticos, que é um algoritmo de busca baseado nos
princípios da teoria da evolução natural de Darwin (Linden, 2008), encontrar um
conjunto de períodos de sensoriamento ótimo a ser utilizado no processo de
sensoriamento de canal. Neste processo de evolução, a cada geração, um conjunto
de possíveis soluções para o problema é avaliado e as boas características das
melhores soluções são transferidas para as gerações seguintes, dando continuidade
ao processo de otimização (Linden, 2008). Estas características e outras como o
paralelismo, implícito ao AG, e sua abrangência de aplicação tornam o AG uma
interessante ferramenta a ser utilizada em RC.
58
No AG proposto, cada indivíduo é formado por N parcelas, onde cada uma
representa o período de sensoriamento de um canal, sendo N o número de canais. A
codificação binária de cada parcela com P casas decimais de resolução utiliza K bits,
definida de acordo com a Equação (11). Onde *+,- e *+�. são os limites superior e
inferior, do intervalo de definição do período de sensoriamento. Com isso, a
codificação de um indivíduo é dada por N x K bits. A Figura 20 ilustra a estrutura de
cada indivíduo que compõe a população de possíveis soluções para o problema
deste trabalho.
Figura 21: Indivíduo de um AG
Para avaliar cada possível solução ao problema (indivíduo) durante o
processo de evolução, utilizou-se a estratégia de conjuntos pareto, devido ao
problema da determinação do conjunto de períodos de sensoriamento de canais
apresentar múltiplos objetivos (Linden, 2008).
A otimização utilizando conjuntos pareto baseia-se no conceito de
dominância. Para que uma solução *0 domine sobre outra solução *1, cada
coordenada da avaliação de *0 deve ser maior ou igual que a respectiva coordenada
de *1, sendo que deve haver pelo menos uma coordenada de *0 que seja maior que
*1, (Linden, 2008). Considere a função de avaliação como um vetor !(*) =
(11) max min2 ( ) 10K PX X≥ − ×
59
[!�(*), !3(*), … , !5(*)], onde X representa o indivíduo ou solução para um problema
e f(X) representa a avaliação para determinado indivíduo. O conceito de dominância
pode ser representado matematicamente (considerando o símbolo ≡ como
dominância), conforme a Equação (12).
e
Na abordagem desenvolvida neste trabalho, a função de avaliação f(x) é
parcialmente definida conforme a Equação (13), onde cada indivíduo na estratégia
de conjuntos pareto é avaliado em relação ao número de oportunidades descobertas
(Op).
Ademais, a avaliação de cada indivíduo leva em conta o seu overhead de
sensoriamento proporcionado, o qual é dado pela Equação (14).
Já o número de oportunidades encontradas nos canais adotando-se o
conjunto de períodos de sensoriamento determinado por cada indivíduo é descrito
pela Equação (15).
Onde:
* = [��, �3, … , � ] é o vetor que representa um indivíduo no AG, com i=1,2,...,N
e N o número de canais;
�� representa a parcela i do indivíduo X. Refere-se ao período se
sensoriamento do canal i;
(12)
{1,2,..., }, ( ) ( )q r i q i rX X i s f X f X≡ ⇒∀ ∈ ≥
{1,2,..., }, ( ) ( )j r j qj s f X f X∃ ∈ >
(13) ( ) ( )f X Op X=
(14) 1
( )N
s
i i
tOv X
x=
=∑
(15) 1 1
( ) ( )N M
i ii h
Op X S x h= =
=∑∑
60
78(�) é o overhead de sensoriamento proporcionado pelo indivíduo X;
79(�) refere-se ao número de oportunidades encontradas utilizando o
indivíduo x;
%�(��ℎ) representa o estado do canal i, 1 ou 0, no instante ��ℎ, com h variando
de 1 a M, sendo M o número total de amostras do canal i com período de
sensoriamento ��;
&5 é o tempo de sensoriamento.
Durante o processo de avaliação, para definir o valor de fitness de cada
indivíduo *0, o número de indivíduos dominados por *0 na população é calculado
por DN(*0), conforme a Equação (16), onde ;, < ∈ {1,2,3, … , B} e L é o tamanho da
população( considerando o símbolo ≅ com significado de não dominância) .
Além disso, é avaliado se o indivíduo possui overhead de sensoriamento,
menor ou igual a um limiar definido pelo usuário (�ℎDE), conforme a Equação (17).
Onde FDE(*0) é igual a zero se *0tem overhead de sensoriamento maior do que
�ℎDE , caso contrário é igual a um
Deste modo, o valor de fitness de cada *0é dado pela Equação 18, onde o
fitness consiste na soma de (16) e (17). Portanto, antes do cálculo do valor de
fitness de um indivíduo, é necessário descobrir o número de oportunidades e
overhead de sensoriamento para todos os membros da geração.
Assim, o problema de otimização do período de sensoriamento do espectro
pode ser formulado como:
(16) q
1, q
1 , X ( )
0 , X
Lr
qr r q r
XDN X
X= ≠
≡= ≅∑
(17) 1 , Ov(X ) Th
( )0 , Ov(X ) > Th
q ov
ov qq ov
Xδ≤=
(18) ( ) ( ) ( )q ov q qfitness X X DN Xδ= +
61
{ }1 2,, ...,
( )
0, , 1,2,3,...,
( )
LX X X X
i i
ov
Max fitness X
x x X i Nsujeito a
Ov X Th
∈
> ∈ = ≤
O número de oportunidades, overhead de sensoriamento e fitness serão
considerados métricas de desempenho do AG e serão avaliadas no capítulo 5.
4.5 METODOLOGIA DE DEFINIÇÃO E APRESENTAÇÃO DE RESULTADOS
Antes de se apresentar o processo de seleção dos parâmetros a serem
adotados no AG, descrito nas Seções 4.3 e 4.4, bem como os resultados obtidos na
avaliação da abordagem proposta, torna-se importante definir a metodologia a ser
empregada na apresentação e definição dos resultados obtidos.
Neste aspecto, os resultados apresentados nesta dissertação são definidos
em termos de intervalos de confiança, os quais são obtidos através de inferências
das estatísticas das amostras tomadas. Neste trabalho, para que os resultados
apresentados possuam bom nível de confiança, todos os resultados apresentados
utilizam intervalo de confiança de 95%, valor mais utilizado segundo Jain (1991).
Para a definição dos intervalos de confiança, utilizando um nível de 95%,
adotou-se o método não-paramétrico bootstrap. Este método permite a definição de
intervalos de confiança de parâmetros (EFRON, 1993), em circunstâncias em que
outras técnicas não são aplicáveis ou no caso em que o número de amostras é
reduzido, por exemplo.
O intervalo com nível de significância ∝ obtida pelo bootstrap pode ser
calculado conforme o algoritmo abaixo.
62
Nesta proposta, utilizou-se essa abordagem devido ao alto período de
processamento do AG, que inviabiliza a tomada de um número elevado de
amostras. Assim, os valores configurados para A e B foram 6 e 1000,
respectivamente. Para que o intervalo de confiança seja de 95% o valor de ∝ é 0,05.
4.6 OPERADORES GENÉTICOS
O operador de seleção do AG, em que os indivíduos são selecionados para
realizar o cruzamento, objetiva simular o mecanismo de seleção natural que atua
sobre as espécies biológicas, em que pais mais capazes são mais prováveis de
gerar filhos do que pais menos aptos (Linden, 2008). Diante disso, nesta abordagem
adotou-se como operador de seleção para o AG a roleta ponderada, a qual é
baseada no valor de fitness dos indivíduos. Assim, indivíduos com maiores valores
de aptidão são mais prováveis a deixar descendentes e, assim, transferir seu
material genético para gerações seguintes do que indivíduos que possuem baixos
valores de fitness.
Como operador de cruzamento ou crossover, que realiza a troca de material
genético entre os indivíduos definidos pelo processo de seleção, adotou-se neste
trabalho o operador uniforme para realizar o cruzamento entre pares de indivíduos.
Quanto à operação de mutação, que visa introduzir genes alternativos ao
cromossomo, adotou-se nesta proposta a mutação simples, de um bit. Neste
processo, o valor de um gene (bit) em um cromossomo é trocado seguindo a idéia:
1. Selecionar uma amostra aleatória de tamanho A; 2. Selecionar uma amostra da amostra (re-amostra) de tamanho A com reposição; 3. Calcular a média desta re-amostra e inserir no vetor X; 4. Repetir os passos de 2 e 3 M vezes; (com M grande) 5. Classificar X em ordem crescente das médias. 6. Em função do nível de confiança desejado (1 − I)100%, o intervalo de confiança é determinado por (*0�, *03). Onde: ;� = 9L<&M N�&MN<L (O ×∝/2) , ;3 = O − ;� + 1 e * = [*�, *3, … , *S]
63
caso o gene selecionado para a mutação possua valor 1, o seu valor após a
mutação será 0 e vice-versa.
Os parâmetros importantes para as operações de crossover e mutação são
as taxas de crossover ou probabilidade de crossover (pc) e a taxa de mutação ou
probabilidade de mutação (pm). Esses parâmetros representam a frequência com
que os processos de crossover e mutação são realizados.
A definição de tais parâmetros é um processo importante na configuração do
algoritmo genético, pois, por exemplo, a adoção de probabilidade de mutação
elevada pode resultar em perda de boas soluções durante o processo evolutivo do
AG, devido à grande possibilidade de tais soluções serem modificadas,
especialmente quando não se utiliza técnica elitista. No entanto, uma taxa de
mutação muito pequena, para uma população grande, pode causar a falta de
diversidade de soluções e convergência prematura do AG.
Quanto ao crossover, como a taxa de cruzamento determina o número de
cromossomos que entra num pool de “acasalamento”, adotando uma taxa de
cruzamento muito baixa ocasionaria um número insuficiente de novos filhos,
soluções. Por outro lado, uma taxa de crossover alta inseriria muitos cromossomos
novos na população, o que pode resultar na perda de bons blocos dentro de um
cromossomo, destruição de bons esquemas (Linden, 2008).
Além destes, existem outros parâmetros de operações que afetam a eficiência
do sistema baseado em AG. Em Rudolph (1994) é estudado a variação de vários
parâmetros do AG, que incluem tamanho da população, taxa de crossover, taxa de
mutação e estratégia de seleção.
Nesta proposta, são realizados testes para definir os valores dos dois
parâmetros mais importantes citados acima: probabilidade de crossover e
probabilidade de mutação. Pois, a melhor combinação destas probabilidades pode
resultar em respostas satisfatórias com uma rápida convergência ao AG.
Para composição dos testes foram utilizados 10 valores, situados no intervalo
[0.01, 0.95], para probabilidade de mutação. O mesmo número de valores foi
adotado para a probabilidade crossover para valores definidos no intervalo [0.01,
0.95]. Tais valores são apresentados na Tabela 3.
64
Tabela 3 – Parâmetros testados de pc e pm.
pc pm 0.05 0.01 0.1 0.0325 0.2 0.055 0.3 0.0775 0.4 0.1 0.5 0.3 0.6 0.5 0.7 0.7 0.8 0.9 0.9 0.95
Realizando o número de combinações possíveis entre os valores de
probabilidade de mutação e probabilidade crossover definidos, tem-se 100 casos de
testes, os quais são apresentados na Tabela 3.
Para a seleção do melhor caso de teste utilizou-se o critério definido em (21).
Neste critério o caso de teste escolhido é o que resulta no maior valor médio do
intervalo de confiança das médias de todos os fitness dos indivíduos. Este critério
busca selecionar os parâmetros do AG que proporcionem maiores médias de fitness
das populações.
Onde G, na Equação (19), é o número de gerações, o m representa o vetor
das médias dos fitness dos indivíduos de cada geração. O valor de T em (20)
representa a média do vetor m. E o critério para a escolha do caso de teste é o que
proporciona maior valor de T, conforme denotado em (21).
A Tabela 4 apresenta os valores de probabilidade de crossover, probabilidade
de mutação, o intervalo de confiança (IC), descrito na seção 4.5, e o valor médio do
intervalo de confiança (IC). O caso de teste 5 foi selecionado conforme o critério
exposto anteriormente para sintonização das probabilidades do AG adotado na
proposta, permanecendo esses valores fixos durante toda a execução do AG. Os
(19) 1 2[ , ,..., ]Gm m m m=
(20) ( )media mµ =
(21) max( )µ
65
outros parâmetros de sintonização do AG adotados, tanto nos casos de testes,
quanto na avaliação geral da proposta apresentada no Capítulo 5, são sumarizados
na Tabela 5, da Seção 4.7.
Tabela 4 – Casos de Teste
Caso de teste pc pm IC MI 1 0.05 0.01 271097.4961 275313.6338 273205.5649 2 0.05 0.0325 264735.6437 271136.8529 267936.2483 3 0.05 0.055 255089.7859 264211.3272 259650.5566 4 0.05 0.0775 246710.6718 254485.9151 250598.2934 5 0.1 0.01 319111.4823 329707.9687 324409.7255 6 0.1 0.0325 314755.1715 325784.6720 320269.9217 7 0.1 0.055 300999.0917 314285.7050 307642.3983 8 0.1 0.0775 288257.8851 300344.5973 294301.2412 9 0.2 0.01 282481.7214 287713.0242 285097.3728
10 0.2 0.0325 278803.6164 282307.3046 280555.4605 11 0.2 0.055 275276.1498 278636.0143 276956.0820 12 0.2 0.0775 271132.2661 275046.5564 273089.4112 13 0.3 0.01 269981.3885 271031.6203 270506.5044 14 0.3 0.0325 269032.8117 269952.2835 269492.5476 15 0.3 0.055 268044.9669 269026.0595 268535.5132 16 0.3 0.0775 266381.2581 267987.5937 267184.4259 17 0.4 0.01 265880.6449 266352.7698 266116.7073 18 0.4 0.0325 265303.7330 265824.9641 265564.3486 19 0.4 0.055 264617.1816 265258.2931 264937.7373 20 0.4 0.0775 263685.2486 264577.0369 264131.1427 21 0.5 0.01 263115.5806 263633.8164 263374.6985 22 0.5 0.0325 262783.2194 263092.3812 262937.8003 23 0.5 0.055 262199.1361 262746.5800 262472.8581 24 0.5 0.0775 261457.6354 262169.1267 261813.3810 25 0.6 0.01 261179.6350 261451.7927 261315.7138 26 0.6 0.0325 260848.2881 261170.0579 261009.1730 27 0.6 0.055 260502.9072 260833.0550 260667.9811 28 0.6 0.0775 259956.5854 260470.0291 260213.3073 29 0.7 0.01 259721.0630 259943.4917 259832.2773 30 0.7 0.0325 259567.3670 259700.5694 259633.9682 31 0.7 0.055 259253.5784 259558.0539 259405.8162 32 0.7 0.0775 258863.5960 259227.8733 259045.7346 33 0.8 0.01 258563.8116 258849.5897 258706.7007 34 0.8 0.0325 258363.3836 258552.9664 258458.1750 35 0.8 0.055 258117.7495 258355.1786 258236.4641 36 0.8 0.0775 257807.8624 258109.4016 257958.6320 37 0.9 0.01 257535.7937 257794.9399 257665.3668 38 0.9 0.0325 257321.4152 257516.1221 257418.7686 39 0.9 0.055 257103.3555 257304.3329 257203.8442 40 0.9 0.0775 256823.7820 257093.8140 256958.7980 41 0.05 0.1 157418.4948 157680.5142 157549.5045 42 0.05 0.3 147804.9139 157202.2329 152503.5734 43 0.05 0.5 142399.7242 147417.1823 144908.4533 44 0.05 0.7 139163.0919 142199.5360 140681.3140 45 0.05 0.9 137738.0679 139069.4180 138403.7430 46 0.1 0.1 152109.5208 152562.3222 152335.9215 47 0.1 0.3 143666.7407 151653.5701 147660.1554 48 0.1 0.5 138791.7452 143379.4124 141085.5788 49 0.1 0.7 135992.4488 138613.7742 137303.1115 50 0.1 0.9 134781.6794 135904.8171 135343.2482 51 0.2 0.1 134594.9953 134758.5062 134676.7508
66
52 0.2 0.3 134127.9785 134586.1498 134357.0641 53 0.2 0.5 133619.7712 134103.9422 133861.8567 54 0.2 0.7 133130.0829 133600.3175 133365.2002 55 0.2 0.9 132765.1349 133112.2605 132938.6977 56 0.3 0.1 132641.8413 132750.9162 132696.3787 57 0.3 0.3 132414.8638 132631.7214 132523.2926 58 0.3 0.5 132187.0945 132405.2057 132296.1501 59 0.3 0.7 131954.6923 132176.7935 132065.7429 60 0.3 0.9 131782.7986 131942.9363 131862.8674 61 0.4 0.1 131661.4807 131775.4647 131718.4727 62 0.4 0.3 131485.3469 131651.2389 131568.2929 63 0.4 0.5 131325.6319 131478.7640 131402.1980 64 0.4 0.7 131166.6098 131313.8646 131240.2372 65 0.4 0.9 131016.8088 131162.1160 131089.4624 66 0.5 0.1 130906.5349 131013.6322 130960.0835 67 0.5 0.3 130774.4808 130900.5263 130837.5035 68 0.5 0.5 130654.3677 130769.2640 130711.8159 69 0.5 0.7 130531.7923 130646.9076 130589.3499 70 0.5 0.9 130429.8346 130524.8487 130477.3417 71 0.6 0.1 130326.7838 130421.3243 130374.0540 72 0.6 0.3 130215.7563 130322.7186 130269.2374 73 0.6 0.5 130110.1721 130211.7122 130160.9422 74 0.6 0.7 129991.3748 130104.3714 130047.8731 75 0.6 0.9 129898.5937 129986.3306 129942.4622 76 0.7 0.1 129819.4315 129893.5996 129856.5156 77 0.7 0.3 129738.1795 129816.6734 129777.4265 78 0.7 0.5 129658.9657 129734.5131 129696.7394 79 0.7 0.7 129581.5736 129654.5819 129618.0778 80 0.7 0.9 129507.2069 129578.3900 129542.7984 81 0.8 0.1 129462.1584 129502.8003 129482.4794 82 0.8 0.3 129413.2613 129459.2378 129436.2496 83 0.8 0.5 129346.5092 129410.0176 129378.2634 84 0.8 0.7 129282.8088 129344.2718 129313.5403 85 0.8 0.9 129229.8290 129279.0623 129254.4456 86 0.9 0.1 129201.5808 129227.8264 129214.7036 87 0.9 0.3 129163.7822 129200.7764 129182.2793 88 0.9 0.5 129121.9014 129161.3866 129141.6440 89 0.9 0.7 129083.3889 129120.7529 129102.0709 90 0.9 0.9 129056.5168 129083.0094 129069.7631 91 0.1 0.95 151749.5191 152023.1877 151886.3534 92 0.2 0.95 149351.2470 151756.7692 150554.0081 93 0.3 0.95 147510.8292 149252.1771 148381.5031 94 0.4 0.95 146029.7631 147436.8227 146733.2929 95 0.5 0.95 144844.8158 145969.0961 145406.9559 96 0.6 0.95 143892.2663 144793.9882 144343.1272 97 0.7 0.95 143166.1460 143852.6961 143509.4210 98 0.8 0.95 142700.2357 143136.6663 142918.4510 99 0.9 0.95 142484.4423 142680.2884 142582.3653 100 0.05 0.95 158793.4105 159171.5760 158982.4933
A Figura 21 ilustra os valores da média do intervalo de confiança da média
dos fitness. O caso de teste selecionado foi o de número 5, que alcançou o maior
valor no gráfico apresentado na Figura 21.
67
Figura 22: Média do intervalo de confiança da média dos fitness.
4.7 FLUXO DA PROPOSTA E PARÂMETROS ADOTADOS
A Figura 22 mostra o fluxograma de utilização do AG no problema de
otimização do período de sensoriamento dos canais de comunicação. Inicialmente, a
população é gerada aleatoriamente, apresentando diversos conjuntos de períodos
de sensoriamento candidatos a solução do problema. Em seguida, tais conjuntos
são utilizados na realização do sensoriamento dos canais. Após o sensoriamento, os
indivíduos são avaliados de acordo com a função de fitness definida na Equação
(18), que leva em conta o número de oportunidades encontradas e o overhead de
sensoriamento obtido. Posteriormente, eles são submetidos aos operadores
genéticos de seleção, cruzamento e mutação, dando origem aos indivíduos que irão
compor a nova população. Com a nova população, o critério de parada (número de
gerações) é avaliado. Caso o número de gerações atual seja menor que o definido
previamente, então o processo se repete a partir da etapa do sensoriamento dos
canais. Caso contrário, os indivíduos da nova população são submetidos ao
68
sensoriamento dos canais e avaliados, onde o melhor dentre todos é escolhido
como solução para o problema, representando o conjunto de períodos de
sensoriamento ótimo para os canais.
Figura 23: Fluxograma da utilização do AG
Após o AG definir o período de sensoriamento de cada canal, simula-se o
sensoriamento através das amostras dos canais modelados na distribuição
exponencial. Com isso, determina-se o número de oportunidades encontradas e o
overhead de sensoriamento obtido em cada canal. Nesta trabalho, os períodos de
sensoriamento podem variar no intervalo de (0, 10] segundos, conforme Kim (2008).
A Tabela 4 sumariza os parâmetros que foram adotados neste trabalho para
a implementação do AG. Esses parâmetros foram definidos a partir de testes com
diversos valores, sendo escolhidos os que tiveram melhores resultados nas
simulações, conforme apresentado na Seção 4.3. Quanto à resolução (R) adotada
69
na representação dos indivíduos, adotou-se 10 casas decimais. Com isso, cada
parcela de um indivíduo, período de sensoriamento de um canal, é codificada
utilizando 75 bits, valor definido de acordo com a Equação (11). Além disso, assim
como em (Chantaraskul, 2010), o número de gerações e o tamanho adotados foram
300 e 100, respectivamente.
Tabela 5 – Parâmetros adotados no AG
Número de Gerações (G) 300 Tamanho da População (T) 100
Taxa de crossover 0.6 Taxa de mutação 0.001
Resolução (R) 10 Número de Bits 75
70
5 AVALIAÇÃO PROPOSTA
Neste capítulo serão apresentados os resultados obtidos pela estrutura de
otimização do período de sensoriamento que utiliza a estratégia AG, considerando
os parâmetros e características descritos no Capítulo 4.
Através das simulações numéricas, examina-se o impacto da seleção do
período de sensoriamento sobre canais gerados com distribuição exponencial. Para
mostrar a generalidade da proposta, adotamos três instâncias de simulação, que
diferem no número de canais, as quais são apresentadas na Seção 5.2 (Seção do
Cenário). Compara-se esta proposta com o método que utiliza período de
sensoriamento fixo e igual para todos os canais, o qual é adotado em Yang (2007), e
com o método adaptativo do período de sensoriamento proposto em Kim (2008), que
utiliza uma técnica de otimização não-linear para encontrar os valores ótimos de
período de sensoriamento. A descrição das métricas utilizadas e a sumarização das
abordagens consideradas na avaliação são apresentadas nas Seções 5.1 e 5.2,
respectivamente.
5.1 MÉTRICAS ADOTADAS
Para avaliação da abordagem proposta foram adotadas 4 métricas: overhead
de sensoriamento, número de oportunidades encontradas, tempo de interferência e
tempo de transmissão útil.
O overhead de sensoriamento é adotado como métrica de desempenho
devido ao seu impacto na eficiência espectral. Isto porque não é desejável que o
rádio passe muito tempo sentindo o canal primário, pois isso reduz o tempo que ele
poderia usar para transmissão. O overhead de sensoriamento é calculado de acordo
com a Equação (14), na Seção 4.2.
A métrica de número de oportunidades encontradas está relacionada à
eficiência do sistema, pois para transmissão secundária, em RC, é desejável ter um
grande número de oportunidades encontradas. A determinação do número de
oportunidades é descrito na Equação (15), na Seção 4.2.
71
O tempo de interferência é outra métrica muito importante para RC, pois o US
deve minimizar a interferência na comunicação primária durante a utilização do
canal licenciado.
A interferência na comunicação primária ocorre devido à latência ou a não
detecção do retorno do usuário primário ao seu canal de comunicação. Em geral, de
acordo com o tamanho do período de sensoriamento, duas situações de
interferências são possíveis. A primeira delas ocorre na transição do período OFF
para ON consecutivo, em que sensoriamento do canal ocorre somente instantes
após retorno do usuário primário, devido ao período de sensoriamento adotado,
conforme ilustrado na Figura 24.
Na Figura 24, o US realiza o sensoriamento (no tempo T1) do canal e detecta
a sua desocupação. Com isso ele inicia a sua transmissão adotando este canal e
após o tempo determinado pelo período de sensoriamento, o US novamente sente o
canal de comunicação (em T2), detectando o retorno do UP e com isso interrompe a
sua transmissão, vagando o canal primário. No entanto, houve um tempo entre a
transição OFF-ON (TON1) do estado do canal e o segundo sensoriamento (T2), que
ocasionou interferência na comunicação primária. Para esse caso, o tempo de
interferência é dado pela Equação 22.
Figura 24: Primeiro caso de Interferência.
(22) 12 ONTI T T= −
72
A segunda situação de interferência é apresentada na Figura 25. Nesta
situação, o tempo de duração do estado ON do canal é menor do que o período de
sensoriamento adotado. Com isso, o RC não percebe a interferência que ocasionou
ao usuário primário. Para esse caso, o tempo de interferência é dado pela Equação
23.
Figura 25: Segundo caso de interferência.
Outra importante métrica analisada é o tempo de transmissão útil. Para sua
determinação, faz-se necessário conhecer o tempo de transmissão, representado
pela Figura 26. O tempo de transmissão calculado no canal em todo tempo de
execução é dado pela Equação 24 descreve toda a transmissão obtida de um canal.
(23) 2 1ON ONTI T T= −
73
Figura 26: Tempo de transmissão
Onde:
TT: tempo de transmissão
Op(xi) : quantidade de oportunidades encontradas
xi : período de sensoriamento
Como no tempo de transmissão total está incluso o tempo de interferência,
para se determinar o tempo de transmissão útil deve-se excluir o tempo relativo a
interferência. Com isso, o tempo de transmissão útil é dado pela Equação 25.
Onde:
TU: transmissão útil
TT: tempo de transmissão
TI : tempo de interferência
Além das quatro métricas apresentadas, adotou-se o valor fitness para avaliar
a convergência do sistema, bem como a evolução do período de sensoriamento
durante o processo evolutivo do AG. O valor de fitness de cada indivíduo está
relacionado à avaliação do indivíduo no ambiente do sistema e é dado pela Equação
(18) da Seção 4.2. Assim, indivíduos com maiores valores fitness têm melhores
(24) ( )i iTT Op x x= ×
(25) TU TT TI= −
74
resultados. Logo, isto é a importante métrica para se avaliar se o sistema esta
convergindo para respostas satisfatórias.
5.2 CENÁRIOS DA SIMULAÇÃO
Para mostrar a generalidade da proposta, foram adotadas três instâncias de
simulação, que diferem quanto ao número de canais, as quais apresentam três, seis
e nove canais. A Tabela 6 mostra as características de cada instância de simulação
adotadas.
Tabela 6 – Quantidade de canais em cada instância
Instância Nº de canais 1 3 2 6 3 9
Para modelar os canais de comunicação primário utilizou-se o modelo
ON/OFF descrito na Seção 4.1. As médias utilizadas para gerar os canais utilizados
na simulação são apresentadas na Tabela 7. O tempo de simulação de cada canal
adotado foi de 100s.
Tabela 7 – Médias utilizadas para gerar canais
Médias dos canais U[VWXXY ] U[VWZ
Y ] Canal1 2,611 1,779 Canal2 4,947 0,791 Canal3 2,405 3,122 Canal4 0,931 1,046 Canal5 1,962 0,942 Canal6 0,238 3,224 Canal7 1,035 2,113 Canal8 3,486 2,663 Canal9 2,623 1,805
Para realizar a comparação com o mecanismo que utiliza períodos de
sensoriamento fixos e o apresentado em Kim (2008), foram desenvolvidas três
versões da estratégia proposta que utiliza algoritmo genético para adaptação do
período de sensoriamento, as quais diferem entre si quanto ao limite superior de
overhead de sensoriamento tolerável nos canais. Estas são denotadas como AG10,
G20 e AG40. Nelas, o AG busca encontrar um conjunto de períodos de
sensoriamento que maximize o número oportunidades encontradas, proporcionando
75
um overhead de sensoriamento menor ou igual a 10%, 20% e 40%,
respectivamente. O objetivo é comparar cada uma dessas versões do AG com
estratégia definida em Kim (2008), que será denotada como Kim (nome do autor
daquela estratégia) e com as abordagens de períodos de sensoriamento fixo,
denotadas como Fixo1 e Fixo2, que adotam períodos de sensoriamento iguais a
0,5s e 1,0s, respectivamente. A Tabela 8 sumariza as diferentes abordagens
adotadas na simulação.
Tabela 8 – Sumário das abordagens
Abordagem Descrição
Fixo1 Abordagem com período de sensoriamento fixo
em todos os canais (1.0s)
Fixo2 Abordagem com período de sensoriamento fixo
em todos os canais (0.5s) Kim Abordagem descrita em Kim (2008)
AG10 Abordagem que realiza o sensoriamento com overhead de sensoriamento limitado a 10%
AG20 Abordagem que realiza o sensoriamento com overhead de sensoriamento limitado a 20%
AG40 Abordagem que realiza o sensoriamento com overhead de sensoriamento limitado a 40%
A Tabela 9 sumariza alguns componentes e características da abordagem
proposta de acordo com os capítulos anteriores. Um aspecto interessante
apresentado nesta tabela é a divisão, não disjunta, das métricas e critérios adotados
na avaliação da abordagem: intra-proposta e inter-propostas. A primeira refere-se à
avaliação entre si das versões adotadas da abordagem proposta. Já a segunda
denota as métricas consideradas na avaliação comparativa das versões baseadas
em AG com outras estratégias dispostas na literatura.
Tabela 9 – Características da abordagem proposta
Método de sensoriamento detector de energia Arquitetura do Hardware uma antena Dimensão utilizada Domínio do tempo Classificação Pró-ativa Tipo Sensoriamento Não-cooperativo Objetivo Otimizar o período de sensoriamento Estratégia AG multiobjetivo
Métricas de avaliação intra-proposta Fitness Período de Sensoriamento Overhead de sensoriamento
Métricas de avaliação inter-propostas Número de Oportunidades Tempo de Interferência Tempo de Transmissão Útil
76
Overhead de Sensoriamento
5.3 RESULTADOS
Nesta seção serão apresentados os resultados obtidos no processo de
simulação da abordagem proposta. Inicialmente, na Seção 5.2.1 são mostrados os
resultados obtidos quanto aos valores de fitness dos indivíduos, período de
sensoriamento e overhead de sensoriamento, respectivamente, durante o processo
de evolução do AG, ou seja, os resultados obtidos quanto às métricas e critério de
avaliação intra-proposta apresentados na Tabela 8. Tal estudo é realizado a fim de
denotar o processo de convergência das versões da abordagem proposta, descrita
na Seção 5.1. Com isso, nestas três seções seguintes a avaliação é restrita a estas
três versões, não havendo comparação com as outras abordagens da literatura
considerada nesta dissertação, descritas na Seção 5.1. Já na Seção 5.3 os
resultados obtidos adotando as métricas de avaliação inter-propostas definidos na
Tabela 8 são apresentados. Uma análise comparativa entre a abordagem proposta e
as dispostas na literatura apresentada na Tabela 7.
5.3.1 Avaliação intra-proposta
Quanto ao fitness, a Figura 27 exibe a evolução média do fitness do melhor
indivíduo com o passar das gerações para a abordagem AG10, AG20 e AG40,
utilizando a instância de simulação de 3 canais. Todas demonstram a tendência do
melhor indivíduo de uma geração em evoluir seu fitness com o decorrer das
gerações e, conseqüentemente, encontrar períodos de sensoriamento melhores que
proporcionem ao US um maior número de oportunidades descobertas e a garantia
de não ultrapassar a taxa de overhead de sensoriamento estipulada.
Em cada instância de simulação, conforme descrito na Seção 4.5, foram
realizadas 6 repetições, com sementes distintas na geração dos canais, mas
mantendo as mesmas médias apresentadas na Tabela 6, Seção 5.1.
77
Figura 27: Fitness de AG10, AG20 e AG40 3 canais.
A média dos melhores fitness, para as instâncias de simulação com 6 e 9
canais, ilustradas nas Figuras 28 e 29, apresentaram comportamento semelhante à
de 3 canais, ilustrada na Figura 27. Portanto, seus valores de fitness também
evoluem, encontrando valores de fitness melhores conforme o número de gerações
aumenta.
Figura 28: Fitness de AG10, AG20 e AG40 para 6 canais.
78
As Figuras 27, 28 e 29 mostram um crescente aumento nos valores de
fitness, isso é devido à maior quantidade de canais utilizada para o cálculo do
fitness, descrito na Seção 4.3.
Figura 29: Fitness de AG10, AG20 e AG40 para 9 canais.
Considerando o período de sensoriamento, a Figura 30 ilustra a evolução do
período de sensoriamento do canal 1 com o passar das gerações para as três
versões da abordagem proposta. Nota-se que a proposta apresenta rápida
convergência e que cada versão altera o período de sensoriamento em busca de um
valor ótimo de acordo com o padrão de uso do canal licenciado e com o overhead de
sensoriamento previamente definido. Observa-se quanto maior o overhead de
sensoriamento, menor o período de sensoriamento. Isso porque, para sentir o canal
mais vezes é necessário diminuir o tempo de sensoriamento. Os demais canais têm
um comportamento semelhante na evolução do período de sensoriamento.
79
Figura 30: Evolução do período de sensoriamento.
As Tabelas 10, 11 e 12 exibem o intervalo de confiança do período de
sensoriamento para as abordagens deste trabalho e para instâncias de 3, 6 e 9
canais, respectivamente. Os valores do intervalo de confiança calculados conforme
descrito na Seção 4.5, onde min e max representam, respectivamente, os valores
mínimo e máximo do intervalo de confiança e MIC representa a média do intervalo
de confiança.
Tabela 10 – Intervalos de confiança dos períodos de sensoriamento resultantes para 3 canais
Canal Abordagem min max MIC
C1 AG10 0,2167 0,2180 0,2173 AG20 0,1132 0,1138 0,1135 AG40 0,0526 0,0529 0,0527
C2 AG10 0,2099 0,2125 0,2112 AG20 0,1115 0,1132 0,1124 AG40 0,0544 0,0547 0,0545
C3 AG10 0,2157 0,2181 0,2169 AG20 0,1259 0,1259 0,1259 AG40 0,0606 0,0613 0,0610
No canal 1, o AG20 obteve uma diminuição de 91,45% em relação ao AG10 e
o AG40 obteve uma diminuição de 53,5% em relação ao AG20. Note que a
diminuição do MIC para AG10, AG20 AG40, respectivamente, ocorre para todos os
80
canais. Este comportamento comprova o que foi ilustrado na Figura 30, que quanto
maior o overhead de sensoriamento, menor o período de sensoriamento. Este
comportamento ocorre para todos os canais e também nas Tabelas 11 e 12.
Tabela 11 – Intervalos de confiança dos períodos de sensoriamento resultantes para 6 canais
Canal Abordagem min max MIC
C1 AG10 0,2257 0,2286 0,2272 AG20 0,1194 0,1200 0,1197 AG40 0,0636 0,0636 0,0636
C2 AG10 0,2181 0,2193 0,2187 AG20 0,1339 0,1410 0,1374 AG40 0,0565 0,0575 0,0570
C3 AG10 0,2296 0,2324 0,2310 AG20 0,1188 0,1196 0,1192 AG40 0,0799 0,0824 0,0812
C4 AG10 0,3093 0,3229 0,3161 AG20 0,1143 0,1154 0,1148 AG40 0,0638 0,0659 0,0648
C5 AG10 0,2267 0,2284 0,2275 AG20 0,1131 0,1140 0,1136 AG40 0,0568 0,0574 0,0571
C6 AG10 0,2222 0,2242 0,2232 AG20 0,1372 0,1408 0,1390 AG40 0,0806 0,0823 0,0815
O desvio padrão (RAJ, 1991) é utilizado nesta análise para mostrar o grau de
proximidade das respostas em relação a instâncias de simulação. O objetivo é
demonstrar que a proposta apresentada neste trabalho obtém valores médios
próximos, independente da instância de simulação. Calculando-se o desvio padrão
de MIC do canal 1 no AG10 contido nas Tabelas 10, 11 e 12 obtém-se o valor de
0,005. Ou seja, os valores de MIC estão 0,5% em torno da média, portanto
considerados próximos uns dos outros. Esse comportamento repete-se nos demais
canais para todas as instâncias da simulação. O que comprova que os valores de
período de sensoriamento encontrados na proposta apresentada neste trabalho
convergem para valores próximos independente da instância de simulação.
Tabela 12 – Intervalos de confiança dos períodos de sensoriamento resultantes para 9 canais
Canal Abordagem min max MIC
C1 AG10 0,2232 0,2280 0,2256 AG20 0,1847 0,1950 0,1899 AG40 0,1365 0,1503 0,1434
C2 AG10 0,2443 0,2452 0,2448 AG20 0,1261 0,1261 0,1261 AG40 0,1166 0,1227 0,1197
C3 AG10 0,2861 0,2916 0,2888 AG20 0,1751 0,1822 0,1787
81
AG40 0,0976 0,1028 0,1002
C4 AG10 0,2816 0,2858 0,2837 AG20 0,2330 0,2388 0,2359 AG40 0,0840 0,0908 0,0874
C5 AG10 0,2420 0,2442 0,2431 AG20 0,1107 0,1116 0,1111 AG40 0,0980 0,1028 0,1004
C6 AG10 0,2929 0,3185 0,3057 AG20 0,1502 0,1582 0,1542 AG40 0,0694 0,0750 0,0722
C7 AG10 0,2372 0,2390 0,2381 AG20 0,1214 0,1221 0,1217 AG40 0,1092 0,1136 0,1114
C8 AG10 0,2275 0,2296 0,2285 AG20 0,1385 0,1439 0,1412 AG40 0,0822 0,0846 0,0834
C9 AG10 0,2598 0,2652 0,2625 AG20 0,1220 0,1224 0,1222 AG40 0,0940 0,1016 0,0978
Na avaliação do overhead de sensoriamento das versões da abordagem
proposta, a Figura 31 ilustra a evolução do overhead de sensoriamento do canal 1
com o passar das gerações para AG10, AG20 e AG40. Percebe-se a tendência do
melhor indivíduo de uma geração em evoluir o mais próximo do valor do overhead
previamente definido. Os demais canais têm um comportamento semelhante na
evolução do overhead de sensoriamento.
Figura 31: Evolução do overhead de sensoriamento
82
Quanto ao número de oportunidades, a Figura 32 mostra a evolução do
número de oportunidades que foram encontradas no melhor indivíduo de cada
geração do canal 1 para as abordagens AG10, AG20 e AG40. Observa-se que o
número de oportunidades aumenta com o decorrer das gerações, indicando a
evolução do indivíduo. Os demais canais têm um comportamento semelhante na
evolução do número de oportunidades.
Figura 32: Evolução das oportunidades encontradas no canal 1
Quanto ao tempo de interferência, a Figura 33 mostra a evolução dos tempos
de interferência que foram encontrados no melhor indivíduo de cada geração do
canal 1 com overhead de sensoriamento de 10%. Observe que o tempo de
interferência diminui com o aumento de overhead de sensoriamento, indicando que
quanto maior o número de vezes que um US realiza o sensoriamento menor é a
incidência de interferência no canal. Os demais canais têm um comportamento
semelhante na evolução do tempo de interferência.
83
Figura 33: Tempo de Interferência para 3 abordagens
Quanto ao tempo de transmissão útil, a Figura 34 mostra a evolução dos
tempos de transmissão útil que foram encontrados no melhor indivíduo de cada
geração do canal 1 para as abordagens de AG5, AG10, AG20 e AG40. Observa-se
que o tempo de transmissão útil aumenta com o aumento de overhead de
sensoriamento, indicando que quanto maior o número de vezes que um US executa
o sensoriamento, menor é a incidência de interferência no canal, conseqüentemente
encontra mais oportunidades possíveis de serem utilizadas. Os demais canais têm
um comportamento semelhante na evolução do tempo de interferência.
84
Figura 34: Tempo de transmissão útil para 3 abordagens
5.3.2 Avaliação inter-propostas
Quanto ao número de oportunidades, observa-se (ver Figura 35) que a
estratégia desenvolvida neste trabalho pode se adaptar às várias exigências de
overhead de sensoriamento definidas. A Figura 35 mostra uma comparação do
resultado médio do número de oportunidades alcançado pelas abordagens nos três
casos de simulação: com três, seis e nove canais.
Figura 35: Média do número de oportunidades descobertas
85
Nota-se que as três abordagens desenvolvidas AG10, AG20, AG40
mostraram-se superiores as que utilizam período de sensoriamento fixo e estratégia
adaptativa de Kim (2010). Com a abordagem AG10 obteve-se uma melhoria de
desempenho, em média, de 21,54% e 28,07%, em relação ao método Kim,
adotando 3 e 9 canais, respectivamente. Utilizando o AG20, a melhoria no número
de descobertas de oportunidades em relação aos outros métodos cresceu com o
aumento do número de canais, obtendo desempenho superior de até 64,68% e
79,88% em relação ao método de Kim e Fixo1, respectivamente, na instância que
utiliza 9 canais na simulação. O AG40 mostrou superioridade mais expressiva em
todos os casos de simulação adotados, obtendo melhorias de aproximadamente
82,5% e 94,98% em relação aos métodos de Kim e Fixo2, por exemplo, na
simulação com 9 canais.
Ademais, através da Figura 35, observa-se que a estratégia desenvolvida
neste trabalho pode se adaptar às várias exigências de overhead de sensoriamento
definidas no início da execução da proposta. O fato de ser possível regular o limite
de overhead de sensoriamento está diretamente ligado à possibilidade de detectar a
presença do UP no canal licenciado e descobrir oportunidades de comunicação para
o US. Isto porque, quanto maior o valor do overhead de sensoriamento maior será a
quantidade de vezes que o US realizará o sensoriamento dos canais. Com isso, em
situações onde um mínimo de interferência é indispensável, a proposta desenvolvida
neste trabalho pode adaptar-se a uma maior ou menor porcentagem de overhead de
sensoriamento, a fim de obter melhor monitoramento do canal e, conseqüentemente,
menor interferência ao UP.
As Tabelas 13, 14 e 15 exibem o intervalo de confiança do número de
oportunidades encontradas para instâncias de 3, 6 e 9 canais, respectivamente.
Tabela 13 – Intervalos de confiança do número de oportunidades encontradas para 3 canais
Canal Abordagem min max MIC
C1
AG10 180,30 182,06 181,18 AG20 346,92 349,88 348,40 AG40 740,75 744,80 742,78 Fixo1 - - 76 Fixo2 - - 34 Kim - - 177
C2 AG10 408,66 410,37 409,51 AG20 748,96 757,97 753,47 AG40 1563,93 1572,26 1568,09
86
Fixo1 - - 169 Fixo2 - - 86 Kim - - 401
C3 AG10 294,36 296,18 295,27 AG20 503,00 503,00 503,00 AG40 1031,10 1041,56 1036,33
Fixo1 - - 125 Fixo2 - - 64 Kim - - 288
Na Tabela 13 a abordagem AG20, do canal 1, obteve um aumento no número
de oportunidades de 92,3% em relação a AG10, enquanto o AG40 obteve um
aumento de 113,2% em relação ao AG20. Note que o aumento médio do número de
oportunidades encontradas foi influenciado pelo aumento do overhead definido em
cada abordagem, para todos os canais.
Tabela 14 – Intervalos de confiança do número de oportunidades encontradas para 6 canais
Canal Abordagem min max MIC
C1
AG10 173,65 175,68 174,67 AG20 329,17 330,66 329,91 AG40 611,16 611,18 611,17 Fixo1 - - 76 Fixo2 - - 34 Kim - - 172
C2
AG10 391,08 392,86 391,97 AG20 685,64 701,13 693,39 AG40 1501,41 1512,52 1506,97 Fixo1 - - 169 Fixo2 - - 86 Kim - - 389
C3
AG10 279,19 280,91 280,05 AG20 535,26 540,85 538,06 AG40 869,94 886,91 878,42 Fixo1 - - 125 Fixo2 - - 64 Kim - - 278
C4
AG10 323,19 332,02 327,60 AG20 780,34 786,17 783,25 AG40 1528,77 1548,09 1538,43 Fixo1 - - 176 Fixo2 - - 88 Kim - - 325
C5
AG10 170,34 171,32 170,83 AG20 338,12 340,72 339,42 AG40 669,91 682,85 676,38 Fixo1 - - 75 Fixo2 - - 39 Kim - - 166
C6 AG10 175,65 176,60 176,13 AG20 299,85 307,04 303,44 AG40 523,51 547,79 535,65
Fixo1 - - 74 Fixo2 - - 38 Kim - - 174
87
Na Tabela 14 a abordagem AG20, do canal 4, obteve um aumento no número
de oportunidades de 139% em relação a AG10 e o AG40 obteve um aumento de
96,41% em relação ao AG20, esse acontecimento ocorre em todos os canais. O
mesmo comportamento pode ser observado na Tabela 15. Portanto, esse
comportamento também foi obtido para todas as instâncias de simulação.
Tabela 15 – Intervalos de confiança do número de oportunidades encontradas para 9 canais
Canal Abordagem min max MIC
C1
AG10 161,39 162,26 161,82 AG20 278,12 283,85 280,99 AG40 435,36 458,39 446,87 Fixo1 - - 76 Fixo2 - - 34 Kim - - 155
C2
AG10 340,75 346,95 343,85 AG20 671,82 671,87 671,84 AG40 925,18 974,30 949,74 Fixo1 - - 169 Fixo2 - - 86 Kim - - 337
C3
AG10 215,69 224,30 219,99 AG20 497,02 513,59 505,31 AG40 828,51 855,55 842,03 Fixo1 - - 125 Fixo2 - - 64 Kim - - 213
C4
AG10 368,91 371,69 370,30 AG20 498,18 514,00 506,09 AG40 1359,20 1399,54 1379,37 Fixo1 - - 176 Fixo2 - - 88 Kim - - 364
C5
AG10 170,40 171,54 170,97 AG20 344,15 348,93 346,54 AG40 521,37 534,54 527,96 Fixo1 - - 75 Fixo2 - - 39 Kim - - 166
C6
AG10 156,12 158,63 157,37 AG20 286,94 292,73 289,83 AG40 596,82 609,17 602,99 Fixo1 - - 74 Fixo2 - - 38 Kim - - 153
C7
AG10 338,09 343,28 340,68 AG20 690,49 699,16 694,83 AG40 969,82 996,68 983,25 Fixo1 - - 170 Fixo2 - - 86 Kim - - 336
C8
AG10 309,37 319,99 314,68 AG20 590,17 596,25 593,21 AG40 1010,12 1044,70 1027,41 Fixo1 - - 157
88
Fixo2 - - 79 Kim - - 310
C9
AG10 280,56 284,95 282,75 AG20 569,72 571,23 570,47 AG40 952,02 1008,56 980,29 Fixo1 - - 140 Fixo2 - - 70 Kim - - 278
A Figura 36 mostra uma comparação do resultado médio do overhead de
sensoriamento alcançado pelas abordagens nos três casos de simulação: com três,
seis e nove canais.
Figura 36: Média do Overhead de Sensoriamento
Nota-se que as três abordagens desenvolvidas AG10, AG20, AG40
cumpriram o compromisso entre o overhead de sensoriamento e o número de
oportunidades, onde um número de oportunidades alto obtém um overhead alto. A
abordagem AG10 possui um overhead de sensoriamento maior, em média, de
2,04% e 2,17%, em relação ao método Kim, adotando 3 e 6 canais,
respectivamente. Esse aumento no overhead de sensoriamento proporcionou uma
melhoria de 21,54% e 28,07% no número de oportunidades encontradas. Utilizando
o AG20, o overhead de sensoriamento em relação ao método de Kim e Fixo1
cresceu, obtendo um aumento de até 52,07% e 74,2%, respectivamente, na
89
instância que utiliza 9 canais na simulação, aumentando o número de oportunidades
em 64,68% e 79,88%. No AG40 o overhead de sensoriamento foi o mais alto de
todos os casos de simulação adotados, obtendo 72,97% e 92,53% em relação aos
métodos de Kim e Fixo2 na simulação com 9 canais, o que proporcionou um
aumento de 82,5% e 94,98% no número de oportunidades.
As Tabelas 16, 17 e 18 exibem o intervalo de confiança do overhead de
sensoriamento para instâncias de 3, 6 e 9 canais, respectivamente. Os valores do
intervalo de confiança calculados conforme descrito na Seção 4.5, onde min e max
representam, respectivamente, os valores mínimo e máximo do intervalo de
confiança e MIC representa a média do intervalo de confiança.
Tabela 16 – Intervalos de confiança dos overheads de sensoriamento gerados para 3 canais
Canais Abordagem min max MIC
C1
AG10 9,2564 9,3178 9,2871 AG20 17,5962 17,8052 17,7007 AG40 38,2950 38,6210 38,4580 Fixo1 - - 4 ;;Fixo2 - - 2
Kim - - 9,101
C2
AG10 9,5035 9,5668 9,5352 AG20 17,7897 17,9313 17,8605 AG40 37,0212 37,3109 37,1661 Fixo1 - - 4 Fixo2 - - 2 Kim - - 9,343
C3
AG10 9,2317 9,3019 9,2668 AG20 15,8800 15,8800 15,8800 AG40 32,9316 33,2385 33,0850 Fixo1 - - 4 Fixo2 - - 2 Kim - - 9,081
Na Tabela 16 a abordagem AG20, do canal 2, obteve um aumento no
overhead de sensoriamento de 87,3% em relação a AG10 e o AG40 obteve um
aumento de 108% em relação ao AG20. O aumento médio do overhead obtido foi
influenciado pelo aumento do overhead definido em cada abordagem.
Tabela 17 – Intervalos de confiança dos overheads de sensoriamento gerados para 6 canais
Canais Abordagem min max MIC
C1
AG10 8,8311 8,9365 8,8838 AG20 16,9132 17,0500 16,9816 AG40 31,4555 31,4574 31,4565 Fixo1 - - 4 Fixo2 - - 2 Kim - - 8,705
90
C2
AG10 9,1391 9,1979 9,1685 AG20 16,3992 16,6033 16,5013 AG40 35,7558 36,1226 35,9392 Fixo1 - - 4 Fixo2 - - 2 Kim - - 8,985
C3
AG10 8,7155 8,7795 8,7475 AG20 16,8684 16,9763 16,9224 AG40 27,5087 27,7713 27,6400 Fixo1 - - 4 Fixo2 - - 2 Kim - - 8,572
C4
AG10 7,3456 7,5713 7,4585 AG20 17,5326 17,8952 17,7139 AG40 33,9026 34,2944 34,0985 Fixo1 - - 4 Fixo2 - - 2 Kim - - 7,309
C5
AG10 8,8243 8,9298 8,8771 AG20 17,7009 17,8352 17,7680 AG40 35,5825 36,2061 35,8943 Fixo1 - - 4 Fixo2 - - 2 Kim - - 8,877
C6
AG10 9,0144 9,1092 9,0618 AG20 15,6483 15,8469 15,7476 AG40 27,5445 28,2436 27,8941 Fixo1 - - 4 Fixo2 - - 2 Kim - - 8,88
Na Tabela 17 a abordagem AG20, do canal 6, obteve um aumento no
overhead de sensoriamento de 73,78% em relação a AG10 e o AG40 obteve um
aumento de 77,1% em relação ao AG20. Houve novamente um crescimento no
médio do overhead de sensoriamento obtido respectivamente nas abordagens
AG10, AG20 e AG40 para todos os canais. Esse comportamento ocorre também na
Tabela 18. Concluindo-se que é um comportamento padrão independente da
instância de simulação.
Tabela 18 – Intervalos de confiança dos overheads de sensoriamento gerados para 9 canais
Canal Abordagem min max MIC
C1
AG10 8,2116 8,2556 8,2336 AG20 14,4381 15,5089 14,9735 AG40 22,2652 23,2832 22,7742 Fixo1 - - 4 Fixo2 - - 2 Kim - - 9,986
C2 AG10 7,8311 7,9983 7,9147 AG20 15,8561 15,8573 15,8567 AG40 22,3236 23,1522 22,7379
91
Fixo1 - - 4 Fixo2 - - 2 Kim - - 7,677
C3
AG10 6,7942 6,9660 6,8801 AG20 15,7447 16,4391 16,0919 AG40 26,9330 27,6610 27,2970 Fixo1 - - 4 Fixo2 - - 2 Kim - - 4,673
C4
AG10 8,2959 8,3526 8,3242 AG20 11,1887 11,6774 11,4330 AG40 30,9806 32,0446 31,5126 Fixo1 - - 4 Fixo2 - - 2 Kim - - 8,074
C5
AG10 8,8632 8,9397 8,9014 AG20 17,9240 18,1125 18,0182 AG40 27,1466 27,9164 27,5315 Fixo1 - - 4 Fixo2 - - 2 Kim - - 8,634
C6
AG10 8,1060 8,4434 8,2747 AG20 15,0690 15,3895 15,2293 AG40 31,4851 32,1758 31,8304 Fixo1 - - 4 Fixo2 - - 2 Kim - - 8,026
C7
AG10 7,5069 7,9010 7,7039 AG20 16,4720 16,5907 16,5313 AG40 22,1586 23,1898 22,6742 Fixo1 - - 4 Fixo2 - - 2 Kim - - 6,472
C8
AG10 7,6847 7,9518 7,8182 AG20 14,7883 15,1387 14,9635 AG40 26,1210 27,1793 26,6502 Fixo1 - - 4 Fixo2 - - 2 Kim - - 6,583
C9
AG10 7,8743 8,0762 7,9753 AG20 16,3694 16,4642 16,4168 AG40 27,7574 28,4556 28,1065 Fixo1 - - 4 Fixo2 - - 2 Kim - - 6,736
Nota-se também nas Tabelas 16, 17, 18 que para todas as instâncias de
simulação o overhead de sensoriamento fica abaixo do limite especificado,
satisfazendo a restrição imposta no problema de otimização definido na Seção 4.2.
Em relação à métrica de interferência, a Figura 37 mostra o resultado médio
obtido pelas abordagens nos três casos de simulação: com três, seis e nove canais.
Nesta figura, observa-se que as três abordagens desenvolvidas AG10, AG20, AG40
92
apresentam melhor desempenho em relação às estratégias que utilizam período de
sensoriamento fixo e a estratégia adaptativa de Kim (2008). Com a abordagem
AG10 obteve-se uma diminuição no tempo de interferência, em média, de 8,34% e
26,9%, em relação ao método Kim, adotando 3 e 9 canais, respectivamente.
Utilizando o AG20, a diminuição no tempo de interferência em relação aos outros
métodos foi de 52,21% e 76,14% em relação ao método de Kim e Fixo1,
respectivamente, na instância que utiliza 9 canais na simulação. O AG40 mostrou
menor tempo de interferência em todos os casos de simulação adotados, obtendo
aproximadamente 64,49% e 66,83% em relação aos métodos de Kim e Fixo2, por
exemplo, na simulação com 3 canais. Note que o período de sensoriamento é
menor, quanto maior é o overhead de sensoriamento. O grande número de vezes
que o canal é sentido, nas abordagens com alto overhead, causa menor tempo de
interferência.
Figura 37: Média do tempo de interferência
As Tabelas 19, 20 e 21 exibem o intervalo de confiança do tempo de
interferência para instâncias de 3, 6 e 9 canais, respectivamente utilizando as
estratégias AG10, AG20 e AG40.
93
Tabela 19 – Intervalos de confiança do tempo de interferência para 3 canais
Canal Abordagem min max MIC
C1
AG10 6,8393 6,8650 6,8521 AG20 4,5278 4,5853 4,5565 AG40 2,6184 2,6346 2,6265 Fixo1 - - 12,821 Fixo2 - - 26,821 Kim - - 8,665
C2
AG10 5,5246 5,6177 5,5711 AG20 3,2535 3,2910 3,2722 AG40 2,1180 2,1320 2,1250 Fixo1 - - 8,762 Fixo2 - - 16,571 Kim - - 6,024
C3
AG10 4,2247 4,2809 4,2528 AG20 2,4848 2,5116 2,4982 AG40 1,3630 1,3698 1,3664 Fixo1 - - 5,717 Fixo2 - - 12,611 Kim - - 5,505
Na Tabela 19 a abordagem AG20, do canal 1, obteve uma diminuição no
tempo de interferência de 33,5% em relação a AG10 e o AG40 obteve uma
diminuição de 42,3% em relação ao AG20, é possível observar que diminuições
semelhantes ocorrem para os demais canais. Portanto, o tempo de interferência
calculado decresce com o aumento do overhead de sensoriamento, para todos os
canais.
Tabela 20 – Intervalos de confiança do tempo de interferência para 6 canais
Canal Abordagem min max MIC
C1
AG10 7,1566 7,2277 7,1921 AG20 4,4373 4,4632 4,4502 AG40 2,7635 2,7689 2,7662 Fixo1 - - 12,821 Fixo2 - - 26,821 Kim - - 13,631
C2
AG10 5,9040 6,0126 5,9583 AG20 3,9303 4,2162 4,0732 AG40 2,1211 2,1334 2,1272 Fixo1 - - 8,762 Fixo2 - - 16,571 Kim - - 11,784
C3
AG10 4,3756 4,4030 4,3893 AG20 2,5445 2,5899 2,5672 AG40 1,8112 1,8411 1,8261 Fixo1 - - 5,717 Fixo2 - - 12,611 Kim - - 7,455
C4
AG10 4,9869 5,0394 5,0132 AG20 2,7160 2,7378 2,7269 AG40 1,7448 1,8039 1,7744 Fixo1 - - 5,339
94
Fixo2 - - 16,571 Kim - - 7,180
C5
AG10 3,2111 3,2437 3,2274 AG20 2,0049 2,0156 2,0103 AG40 1,1388 1,1448 1,1418 Fixo1 - - 4,406 Fixo2 - - 10,55 Kim - - 4,333
C6 AG10 5,4236 5,4653 5,4444 AG20 3,3854 3,4631 3,4242 AG40 2,3063 2,3769 2,3416
Fixo1 - - 6,718 Fixo2 - - 14,144 Kim - - 10,324
É possível observar, através das Tabelas 20 e 21, que o comportamento de
diminuição da interferência com o aumento do overhead de sensoriamento se repete
em todas as instâncias de simulação.
Tabela 21 – Intervalos de confiança do tempo de interferência para 9 canais
Canal Abordagem min max MIC10
C1
AG10 7,0101 7,0594 7,0347 AG20 6,6760 6,9661 6,8210 AG40 4,8148 5,0205 4,9177 Fixo1 - - 12,821 Fixo2 - - 26,821 Kim - - 25,157
C2
AG10 5,9183 5,9676 5,9429 AG20 3,5600 3,5790 3,5695 AG40 3,5974 3,7251 3,6612 Fixo1 - - 8,762 Fixo2 - - 16,571 Kim - - 14,797
C3
AG10 4,9181 5,0767 4,9974 AG20 3,2104 3,3294 3,2699 AG40 2,0659 2,1428 2,1044 Fixo1 - - 5,717 Fixo2 - - 12,611 Kim - - 16,733
C4
AG10 5,4839 5,5692 5,5266 AG20 3,9454 4,0979 4,0217 AG40 2,1547 2,2747 2,2147 Fixo1 - - 5,339 Fixo2 - - 16,571 Kim - - 13,340
C5
AG10 3,1616 3,1932 3,1774 AG20 1,8436 1,8584 1,8510 AG40 1,5332 1,6184 1,5758 Fixo1 - - 4,406 Fixo2 - - 10,55 Kim - - 9,714
C6
AG10 6,8233 7,0157 6,9195 AG20 3,8347 3,9272 3,8809 AG40 2,0053 2,0411 2,0232 Fixo1 - - 6,718
95
Fixo2 - - 14,144 Kim - - 13,145
C7
AG10 7,8535 8,1245 7,9890 AG20 4,2092 4,2160 4,2126 AG40 3,6349 3,7552 3,6951 Fixo1 - - 13,53 Fixo2 - - 23,477 Kim - - 20,948
C8
AG10 3,6636 3,6732 3,6684 AG20 2,3822 2,4526 2,4174 AG40 1,7227 1,7659 1,7443 Fixo1 - - 8,595 Fixo2 - - 11,164 Kim - - 9,228
C9 AG10 3,4041 3,4339 3,4190 AG20 1,8224 1,8424 1,8324 AG40 1,7152 1,7580 1,7366
Fixo1 - - 5,468 Fixo2 - - 8,468 Kim - - 7,411
Considerando a última métrica de avaliação adotada, tempo de transmissão
útil, a Figura 38 mostra o resultado médio obtido para todas as abordagens
consideradas neste trabalho, nos três casos de simulação: com três, seis e nove
canais. Dos resultados dispostos nesta figura, observa-se que as três abordagens
desenvolvidas AG10, AG20, AG40 mostraram-se superiores em comparação às
estratégias que utilizam período de sensoriamento fixo e a estratégia adaptativa de
Kim (2008). Com a abordagem AG10 obteve-se uma aumento no tempo de
transmissão útil, em média, de 3,66% e 5,0%, em relação ao método Kim, adotando
3 e 9 canais, respectivamente. Utilizando o AG20, o aumento no tempo de
transmissão útil em comparação aos outros métodos foi de 7,6% e 21,3% em
relação ao método de Kim e Fixo2, respectivamente, na instância que utiliza 6
canais na simulação. O AG40 mostrou maior tempo de transmissão útil em todos os
casos de simulação adotados, obtendo aproximadamente 9,05% e 40,9% em
relação aos métodos de Kim e Fixo1, por exemplo, na simulação com 3 canais.
O aumento do tempo de transmissão útil obtido pela abordagem proposta
(nas três versões) não é tão expressivo devido ao aumento do overhead de
sensoriamento. O overhead causa a diminuição do tempo de transmissão, no
entanto, devido ao menor tempo de interferência, as abordagens que tem overhead
alto têm bons tempos de transmissão útil.
96
Figura 38: Tempo de transmissão útil para todos os métodos
As Tabelas 22, 23 e 24 exibem o intervalo de confiança do tempo de
transmissão útil para instâncias de 3, 6 e 9 canais, respectivamente.
Tabela 22 – Intervalos de confiança do tempo de transmissão útil para 3 canais
Canal Abordagem min max MIC
C1
AG10 32,1717 32,1739 32,1728 AG20 34,5779 34,5278 34,5529 AG40 36,2168 36,2056 36,2112 Fixo1 - - 25,179 Fixo2 - - 7,179 Kim - - 30,079
C2
AG10 79,9421 79,8767 79,9094 AG20 81,4261 81,402 81,4141 AG40 82,3616 82,3668 82,3642 Fixo1 - - 75,738 Fixo2 - - 69,4280 Kim - - 78,354
C3
AG10 59,2821 59,2483 59,2652 AG20 60,8403 60,8139 60,8271 AG40 61,7003 61,6947 61,6975 Fixo1 - - 56,782 Fixo2 - - 51,3881 Kim - - 59,348
No canal 1, a abordagem AG20 obteve um aumento de 6,3% em relação à
AG10 e o AG40 obteve um aumento de 4,57 em relação ao AG20. Concluindo-se
97
que na Tabela 22 que um alto overhead de sensoriamento causa um alto tempo de
transmissão útil.
Tabela 23 – Intervalos de confiança do tempo de transmissão útil para 6 canais
Canal Abordagem min max MIC
C1
AG10 32,2027 32,1609 32,1818 AG2 34,6865 34,6684 34,6775 AG40 36,0851 36,0839 36,0845 Fixo1 - - 25,1784 Fixo2 - - 7,1784 Kim - - 24,401
C2
AG10 79,4504 79,3539 79,4022 AG20 80,8125 80,5403 80,6764 AG40 82,341 82,3337 82,3374 Fixo1 - - 75,7377 Fixo2 - - 69,4280 Kim - - 73,789
C3
AG10 59,2805 59,26 59,2702 AG2 60,7637 60,7291 60,7464 AG40 61,2967 61,273 61,2849 Fixo1 - - 56,7825 Fixo2 - - 51,3881 Kim - - 55,746
C4
AG10 84,3944 84,3545 84,3744 AG2 86,2652 86,2625 86,2639 AG40 87,0863 87,0358 87,061 Fixo1 - - 82,6603 Fixo2 - - 77,4510 Kim - - 80,630
C5
AG10 35,2959 35,2731 35,2845 AG2 36,2317 36,2303 36,2309 AG40 36,9918 36,9892 36,9905 Fixo1 - - 33,0934 Fixo2 - - 26,5934 Kim - - 33,700
C6 AG10 33,2099 33,1852 33,1976 AG2 35,0036 34,9394 34,9715 AG40 35,8316 35,7941 35,8128
Fixo1 - - 30,2818 Fixo2 - - 23,8559 Kim - - 26,590
O aumento do tempo de transmissão útil se deve ao aumento do tempo de
transmissão e à diminuição do tempo interferência. E através da observação das
Tabelas 23 e 24 conclui-se que esse comportamento ocorre em todas as instâncias
de simulação.
98
Tabela 24 – Intervalos de confiança do tempo de transmissão útil para 9 canais
Canal Abordagem min max MIC10
C1
AG10 32,1503 32,1108 32,1306 AG20 32,8055 32,5569 32,6813 AG40 34,2919 34,1236 34,2077 Fixo1 - - 25,178 Fixo2 - - 7,1784 Kim - - 13,907
C2
AG10 79,3881 79,3721 79,3801 AG20 81,1255 81,1107 81,1181 AG40 81,1777 81,1034 81,1406 Fixo1 - - 75,737 Fixo2 - - 69,428 Kim - - 70,002
C3
AG10 58,9129 58,8627 58,8878 AG20 60,218 60,1208 60,1694 AG40 61,1168 61,0547 61,0857 Fixo1 - - 56,7825 Fixo2 - - 51,388 Kim - - 48,057
C4
AG10 83,8238 83,7459 83,7848 AG20 85,0069 84,8852 84,946 AG40 86,7342 86,626 86,6801 Fixo1 - - 82,6603 Fixo2 - - 77,4510 Kim - - 78,129
C5
AG10 35,075 35,0569 35,066 AG20 36,3903 36,3899 36,3901 AG40 36,6602 36,5923 36,6263 Fixo1 - - 33,0934 Fixo2 - - 26,5934 Kim - - 26,493
C6
AG10 31,937 31,782 31,8595 AG20 34,5181 34,505 34,5116 AG40 36,09 36,0649 36,0774 Fixo1 - - 30,2818 Fixo2 - - 23,8559 Kim - - 21,155
C7
AG10 76,9387 76,7017 76,8202 AG20 80,1699 80,1647 80,1673 AG40 80,6898 80,587 80,6384 Fixo1 - - 71,4691 Fixo2 - - 62,5225 Kim - - 62,898
C8
AG10 74,8491 74,8532 74,8512 AG20 76,0101 75,9521 75,9811 AG40 76,6472 76,6108 76,629 Fixo1 - - 69,904 Fixo2 - - 67,8358 Kim - - 68,902
C9
AG10 66,9702 66,992 66,9811 AG20 67,6193 67,6104 67,6149 AG40 67,6508 67,6205 67,6357 Fixo1 - - 64,5317 Fixo2 - - 61,5317 Kim - - 60,238
99
Como visto neste capítulo, a abordagem proposta mostrou-se superior as
outras adotadas no estudo comparativo, quanto às métricas avaliadas. A
superioridade das versões da abordagem apresentada neste trabalho deve-se à
característica adaptativa na definição do período de sensoriamento, que se ajusta de
acordo com o padrão de uso de cada canal, o que não ocorre no método que utiliza
período de sensoriamento fixo. Além disso, tal desempenho justifica-se, também,
pelo fato da otimização do conjunto de períodos de sensoriamento ser realizada com
base nas amostras de sensoriamento dos canais e não no seu comportamento
médio, como feito em Kim (2008). Ademais, a abordagem apresentada neste
trabalho leva em conta um fator importante na definição do período de
sensoriamento: a interferência provocada no UP decorrente da sua não detecção, o
que é negligenciada nas outras abordagens.
100
6 CONSIDERAÇÕES FINAIS
Este trabalho apresentou e avaliou uma proposta de otimização do período de
sensoriamento em redes baseadas em RC utilizando Algoritmo Genético com
estratégia de múltiplos objetivos. A proposta visa otimizar o número de
oportunidades descobertas no espectro para transmissão do usuários secundário,
bem como, minimizar o overhead de sensoriamento, pois tal processo influencia na
máxima utilização espectral da transmissão secundária. A abordagem proposta
apresentou resultados satisfatórios, demonstrando sua superioridade em relação
aos outros métodos utilizados no estudo. A proposta atendeu o compromisso entre o
alto número de oportunidades descobertas e o baixo overhead de sensoriamento,
sendo este adaptável de acordo com as condições do usuário.
Aplicações baseadas em AGs podem adaptar-se a vários tipos de problemas,
porém o tempo de processamento é alto com relação às outras estratégias. A
justificativa para utilização da proposta apresentada neste trabalho é a de que a
aplicação pode calcular um período de sensoriamento ótimo coletando as amostras
dos canais, e realizando o processamento offline e periódico de novas amostras a
serem adotadas em momentos subseqüentes de sua operação. Além disso, diversas
técnicas para aceleração do tempo de convergência do AG já estão dispostas na
literatura.
Ademais, o tempo de processamento do AG não é um fator que comprometa
a aplicabilidade da abordagem proposta em vários casos, o qual depende do tipo de
canal primário que se deseja adotar para transmissão oportunista.
Um exemplo de aplicação seria nos canais destinado a transmissão de TV
nos Estados Unidos da América, com estações de TV como usuários primários.
Neste caso, os UPs, isto é, estações de TV e microfones sem fio, alteram seu
comportamento apenas em escalas de tempo longas, horas ou dias, por exemplo.
Com isso, a abordagem proposta seria disponível para determinar os períodos de
sensoriamento dos canais e, uma vez definidos, tais períodos seriam válidos por
longos instantes de tempo.
101
Além disso, a abordagem proposta mostrou-se aplicável em ambientes onde
há pouca tolerância à interferência, como freqüências de segurança e emergência,
onde a determinação do período de sensoriamento leva em conta tais fatores
através da sintonização de um overhead de sensoriamento maior.
Para trabalhos futuros, pretende-se realizar um estudo sobre a melhor taxa de
overhead para diferentes condições de canais, já que a proposta possibilita a
adaptação do período de sensoriamento com um overhead de sensoriamento
definido pelo usuário. Pretende-se também realizar um estudo para a
implementação de técnicas de aceleração de convergência para o AG, objetivando
obter um tempo processamento menor, mantendo o bom desempenho da proposta.
102
REFERÊNCIAS BIBLIOGRÁFICAS
AKYILDIZ, I. F. et al., NeXt Generation/Dynamic Spectrum Access/Cognitive Radio Wireless Networks: A Survey , Comp. Networks J., vol. 50, Sept. 2006, pp. 2127–59. AKYILDIZ, Ian F.; VURAN, Mehmet C.; LEE, Won-Yeol; MOHANTY, Shantidev. A Survey on Spectrum Management in Cognitive Radio Ne tworks. IEEE Communications Magazine. vol. 46, no. 4, pp. 40-48, Abril, 2008. ARSLAN, Huseyin. Cognitive Radio, Software Defined Radio, and Adapta tive Wireless Systems. Springer, 2007. BLOSSOM E., GNU radio: tools for exploring the radio frequency spectrum , Linux Journal, vol. 2004, no. 122, June 2004. CABRIC D.; BRODERSEN R. W., Physical layer design issues unique to cognitive radio systems , in Proc. IEEE Int. Symposium on Personal, Indoor and Mobile Radio Commun., vol. 2, Berlin, Germany, Sept. 2005, pp. 759–763. CABRIC, D.; TKACHENKO A.; BRODERSEN, R. W., Cyclostationary feature detector experiments using reconfigurable BEE2 , in Proc. IEEE Int. Symposium on New Frontiers in Dynamic Spectrum Access Networks, Dublin, Ireland, Apr. 2007, pp. 216–219. CHANTARASKUL S.; MOESSNER K., Implementation of a genetic algorithm-based decision making framework for opportunistic r adio IET Commun., 2010, Vol. 4, Iss. 5, pp. 495–506. CHEN S.; NEWMAN, T. R.; EVANS, J.B.; WYGLINSKI A. M. Genetic Algorithm-Based Optimization for Cognitive Radio Networks . IEEE Sarnoff Symposium 2010. pp. 1-6 CHOI, K. W., Adaptive sensing technique to maximize spectrum uti lization in cognitive radio , IEEE Transactions on Vehicular Technology, vol. 59, no. 2, pp. 992-998, 2010. DROZD, A. L.; KASPEROVICH I. P.; CARROLLC. E.; and BLACKBURNA. C., Computational electromagnetics applied to analyzing the efficient utilization of the RF transmission hyperspace , in Proc. IEEE/ACES Int. Conf. on Wireless Communications and Applied Computational Electromagnetics, Honolulu, Hawaii, USA, Apr. 2005, pp. 1077–1085. EFRON, B.; TIBSHIRANI R., An Introduction to the Bootstrap , Chapman and Hall, 1993. ETTUS M., Universal software radio peripheral . [Online]. Disponível em: www.ettus.com . último acesso em julho de 2011.
103
FARNHAM ,T.; CLEMO, G.; HAINES, R.; SEIDEL, E.; BENAMAR, A.; BILLINGTON, S.; GRECO, N.; DREW, N.; LE, T.; ARRAM, B.; MANGOLD, P., IST-TRUST: A perspective on the reconfiguration of future mobile terminals using software download , in Proc. IEEE Int. Symposium on Personal, Indoor and Mobile Radio Commun., London, UK, Sept. 2000, pp. 1054–1059. FCC, ET Docket No 03-322 Notice of Proposed Rule Making and Order, Dec 2003. GANESAN G.; LI Y., Agility improvement through cooperative diversity i n cognitive radio , in Proc. IEEE Global Telecomm. Conf. (Globecom), vol. 5, St. Louis, Missouri, USA, Nov./Dec. 2005, pp. 2505–2509. JAIN, Raj, Art of Computer Systems Performance Analysis Techni ques For Experimental Design Measurements Simulation And Mod eling 1991. KIM, H.; SHIN, K. G. Efficient Discovery of Spectrum Opportunities with MAC-Layer Sensing in Cognitive Radio Networks. IEEE Transactions on mobile coputing, vol . 7, no. 5, pp. 533-545, 2008. KIM, K.; AKBAR I. A.; BAE K. K.; UM J.-S.; SPOONER C. M.; REED J. H., Cyclostationary approaches to signal detection and classification in cognitive radio , in Proc. IEEE Int. Symposium on New Frontiers in Dynamic Spectrum Access Networks, Dublin, Ireland, Apr. 2007, pp. 212–215. KOLODZY, P. et al., Next generation communications: Kickoff meeting , in Proc. DARPA, Oct. 2001. LEHTOMÄKI J.; JUNTTI M.; SAARNISAARI H.; KOIVU S., Threshold setting strategies for a quantized total power radiometer , IEEE Signal Processing Lett., vol. 12, no. 11, pp. 796–799, Nov. 2005. LINDEN R., Algoritmos Genéticos . Brasport, Rio de Janeiro, vol.1, 2008. MAEDA K.; BENJEBBOUR A.; ASAI T.; FURUNO T.; OHYA T., “Recognition among OFDM-based systems utilizing cyclostationarit y-inducing transmission ,” in Proc. IEEE Int. Symposium on New Frontiers in Dynamic Spectrum Access Networks, Dublin, Ireland, Apr. 2007, pp. 516–523. MCHENRY M.; LIVSICS, E.; NGUYEN, T.; MAJUMDAR N., XG dynamic spectrum sharing field test results , in Proc. IEEE Int. Symposium on New Frontiers in Dynamic Spectrum Access Networks, Dublin, Ireland, Apr. 2007, pp. 676–684. OLIVIERI M. P.; BARNETT G.; LACKPOUR A.; DAVIS A., A scalable dynamic spectrum allocation system with interference mitiga tion for teams of spectrally agile software defined radios , in Proc. IEEE Int. Symposium on New Frontiers in Dynamic Spectrum Access Networks, Baltimore, Maryland, USA, Nov. 2005, pp. 170–179.
104
SHANKAR, S.; CORDEIRO, C.; CHALLAPALI, K., Spectrum agile radios: utilization and sensing architectures , in Proc. IEEE Int. Symposium on New Frontiers in Dynamic Spectrum Access Networks, Baltimore, Maryland, USA, Nov. 2005, pp. 160–169. J. Song, H. Cai; Z, Feng, A Novel Cooperative Spectrum Sensing Scheme Based on Channel-usage in Cognitive Radio Networks , Networking and Mobile Computing,WinCom ’09. 5th International Conference on Wireless Communication, pp. 1-4, 2009. RUDOLPH G.: Convergence analysis of canonical genetic algorithm s, IEEE Trans. Neural Netw., 1994, 5, pp. 96–101. SUTTON, P. D. Sutton; LOTZE J.; NOLAN K. E.; DOYLE L. E., Cyclostationary signature detection in multipath rayleigh fading en vironments , in Proc. IEEE Int. Conf. Cognitive Radio Oriented Wireless Networks and Commun. (Crowncom), Orlando, Florida, USA, Aug. 2007. TANG H., Some physical layer issues of wide-band cognitive r adio systems , in Proc. IEEE Int. Symposium on New Frontiers in Dynamic Spectrum Access Networks, Baltimore, Maryland, USA, Nov. 2005, pp. 151–159. TANDRA R.; SAHAI A., Fundamental limits on detection in low SNR under no ise uncertainty , in Proc. IEEE Int. Conf. Wireless Networks, Commun. and Mobile Computing, vol. 1, Maui, HI, June 2005, pp. 464–469. YANG, L., CAO, L., ZHENG H. Proactive channel access in dynamic spectrum networks . Conference on Cognitive Radio Oriented Wireless Networks and Communications (CROWNCOM), 2007. VARDOULIAS, G.; FAROUGHI-ESFAHANI, J.; CLEMO, G.; HAINES, R., Blind radio access technology discovery and monitoring fo r software defined radio communication systems: problems and techniques , in Proc. Int. Conf. 3G Mobile Communication Technologies, London, UK, Mar. 2001, pp. 306–310.
WILLKOMM D.; MACHIRAJU S.; BOLOT J. e WOLISZ A., Primary User Behavior in Cellular Networks and Implications for Dynamic S pectrum Access , IEEE Communications Magazine March 2009.